实测 daily_stock_analysis：一个 GitHub Actions 模板，如何变成你的 AI 选股情报站？

先说结论：这不是什么"AI 炒股神器"，它是一套信息自动化基础设施。如果你每天要在多个 App 之间切换看 A 股、港股、美股，还要手动翻新闻和公告，这个项目能帮你把这件事变成每天 18:00 自动推送一份结构化报告——而且基础设施成本是零。

但如果你期待它给出精准的买卖信号，README 最底部那行字先读完："本项目仅供学习和研究使用，不构成任何投资建议。"

它到底解决了什么真实痛点

信息碎片化是多市场投资者的日常噩梦。看美股用 TradingView，看 A 股用同花顺，港股切富途，资金流去看 Level2，新闻去财联社，公告去巨潮……一圈下来半小时没了，还不一定找到有用的。

daily_stock_analysis 做的事情是：把这套繁琐的人工流程，变成一条自动化 Pipeline。

根据 GitHub README 的实际能力矩阵，它对 A股/港股/美股/ETF 提供最完整的覆盖：行情、K 线、技术指标、资金流、筹码分布、新闻、公告和基本面。日股/韩股（.T / .KS / .KQ 后缀）是降级支持，只有 YFinance 日线和基础技术指标，capital_flow（资金流）、dragon_tiger（龙虎榜）等高阶数据块会被标记为 not_supported。

这种诚实的降级设计比"号称全球覆盖实则数据错位"的竞品更值得信任——它告诉你哪里有数据、哪里没有，而不是让你自己踩坑。

它生成的报告有明确结构，不是白话总结，是带评分、风险警报、催化因素的格式化决策参考文档。以下是 README 中的真实样本输出：

🎯 2026-02-08 决策仪表盘
共分析3只股票 | 🟢买入:0 🟡观望:2 🔴卖出:1

📊 分析结果摘要
⚪ 中钨高新(000657): 观望 | 评分 65 | 看多
⚪ 永鼎股份(600105): 观望 | 评分 48 | 震荡
🟡 新莱应材(300260): 卖出 | 评分 35 | 看空

⚪ 中钨高新 (000657)
🚨 风险警报:
风险点1：2月5日主力资金大幅净卖出3.63亿元，需警惕短期抛压。
风险点2：筹码集中度高达35.15%，拉升阻力可能较大。
✨ 利好催化:
利好1：公司被定位为AI服务器HDI核心供应商，受益AI产业发展。
利好2：2025年前三季度扣非净利润同比暴涨407.52%，业绩强劲。

每只股票包含：评分（0–100）、趋势判断、风险警报、利好催化、资金流数据。这比你自己翻 10 篇研报再总结效率高出不止一倍。

三个真正值得验证的能力

1. 零成本的 GitHub Actions 调度

这是核心护城河，没有之一。

大多数同类工具需要你租一台 VPS 跑 cron 定时任务，加上服务器费用每月至少 $5。daily_stock_analysis 直接用 GitHub 的免费 CI/CD 额度完成定时触发——除了 LLM API 本身，基础设施成本为零。

默认配置是每个工作日 18:00（北京时间）自动执行，内置了交易日检测：A/H/US 节假日不执行，避免无效消耗。你可以在 Actions 面板手动触发一次，立即验证配置，不用等到第二天。

2. 新闻源的"搜索引擎矩阵"设计

很多人忽略了这个项目对新闻源的设计有多细致。它不是调一个搜索 API，而是支持一套有优先级的降级链：

你不需要全部配置。只配一个 Anspire（同时兼作 LLM Key 和搜索 Key），就能覆盖 A 股 + 港股的大部分新闻场景。缺少搜索源时，项目会降级到纯行情数据分析，而不是崩溃。

3. 本地 Web 工作台 + CLI 调试模式

GitHub Actions 是无人值守模式，项目还内置了本地工作台用于手动验证和调试：

# 克隆并安装
git clone https://github.com/ZhuLinsen/daily_stock_analysis.git && cd daily_stock_analysis
pip install -r requirements.txt
cp .env.example .env && vim .env

# 常用调试命令
python main.py --debug              # 详细日志，看数据拉取全过程
python main.py --dry-run            # 空跑，不发通知，验证报告生成
python main.py --stocks 600519,hk00700,AAPL  # 指定临时标的，不改 .env
python main.py --market-review      # 只跑大盘复盘，不分析个股

# 启动 Web 工作台（含历史报告、Agent 问股、持仓管理）
python main.py --webui
# 访问 http://127.0.0.1:8000

--dry-run 是最有用的验证手段：在不消耗通知渠道 Webhook 的前提下，确认数据拉取和报告生成是否正常。这个参数原文完全没提到，但是排查配置问题的第一步。

上手成本：没有零成本的工具

API 费用估算

• LLM：每只股票约 2,000–4,000 tokens，分析 10 只股票每次约 3–4 万 tokens。使用 DeepSeek-V3 或 GPT-4o-mini，月均约 $3–8；换成 GPT-4o 或 Claude Sonnet，成本上涨 8–10 倍。
• 搜索服务：Anspire / Tavily / Brave 均有免费额度，轻量使用通常不需要额外付费。
• 推荐起步配置：Anspire（大模型 + 搜索合一）+ 飞书或 Telegram 机器人，月成本基本控制在 $5 以内。

数据隐私的权衡

自选股列表（STOCK_LIST）和所有 API Key 存在 GitHub Secrets 中，你的持仓偏好本质上在云端 CI 环境里。如果对隐私极度敏感，选本地运行模式：

python main.py --schedule  # 按 .env 中配置的时间本地触发，不经过 GitHub

网络环境提示

YFinance 和 Google News 在国内访问可能不稳定。Anspire 的卖点之一是无需代理，如果网络有限制，优先用它降低配置成本。

横向对比：它在工具谱系里的位置

明确不适用的场景：

• 实时交易系统：GitHub Actions 执行有延迟，不保证秒级响应。
• 小微盘股票深度分析：流动性极差的标的新闻源稀少，LLM 极易"脑补"不实内容，这类股票报告的可信度显著低于主流标的。
• 直接作为买卖信号执行：这是所有 LLM 金融工具的共同局限，结论是参考，不是指令。

验证路径：别一上来就放 30 只股票

第一次跑，建议只放 2 只你最熟悉的标的，先用 --dry-run 空跑一次确认报告生成正常，再开通知推送。

Step 1：验证数据真实性 拿到报告后，对照当天实际收盘价和 K 线。如果基础行情数据对不上，后面的分析全部无效。

Step 2：测试边界情况 故意放一只已退市或代码写错的股票，看系统是崩溃还是优雅降级并标注错误。这决定你敢不敢让它无人值守跑生产。

Step 3：核查 Token 实际消耗 在 Actions 日志里查看每次运行的 token 用量，对应你选的模型定价，算出真实月成本。Anspire / AIHubMix 是聚合服务商，价格通常比官方直连低，但路由延迟略高，自己评估取舍。

Step 4：数据没问题后，再逐步扩大标的数量。

最后说一句

daily_stock_analysis 的价值不是"AI 帮你赚钱"，而是"AI 帮你省时间"。它把每天的信息整理工作自动化，让你把有限的精力放在判断上，而不是搜集上。

用它的正确姿势：把报告当晨会材料看，而不是当交易指令执行。 对某只股票的结论有疑问，打开数据原文自己核查——这个习惯比任何 AI 工具都重要。

参考资料

• GitHub: ZhuLinsen/daily_stock_analysis
• 市场支持边界文档
• 完整配置与部署指南
• LLM 配置指南