一个 71,000 星的股票分析器,跑在 GitHub 的免费 cron 上

大多数「AI 智能体」项目都是需要人按一下才跑的演示。你克隆仓库,装四十个依赖,然后发现智能是真的,运维是想象的。没人愿意当那个每天早上记得去执行它的人。
ZhuLinsen/daily_stock_analysis 是另一类项目,目前约有 71,600 颗星,也是本月 GitHub 周趋势榜上比较出人意料的条目之一。它的设计目标是被人忘掉。你 fork 它,填几个密钥,打开一个 workflow,之后每个交易日的北京时间 18:00,一份看板会自己送进你的聊天软件,不管你有没有想起来这件事。
系统覆盖 A 股、港股、美股、日股、韩股和台股,股票池由你指定。它抓行情和新闻,让 LLM 把两者合起来看,再把决策看板推送到企业微信、飞书、Telegram、Discord、Slack 或邮箱。MIT 协议,Python 3.10 及以上,背后还有一篇挂在 arXiv 上的论文。
配置过程本身就是产品
走 GitHub Actions 这条路大约五分钟,完全不需要本地环境。
fork 仓库。添加 repository secrets。`STOCK_LIST` 是唯一必填项,格式是跨市场用逗号分隔的代码:`600519,hk00700,AAPL,7203.T,005930.KS,2330.TW`。至少选一个通知渠道:`WECHAT_WEBHOOK_URL`、`FEISHU_WEBHOOK_URL`、`TELEGRAM_BOT_TOKEN` 加 `TELEGRAM_CHAT_ID`、`DISCORD_WEBHOOK_URL`、`SLACK_BOT_TOKEN` 加 `SLACK_CHANNEL_ID`,或者 `EMAIL_SENDER` 加 `EMAIL_PASSWORD`。可选再填一个搜索 key 提升新闻质量,推荐 SerpAPI,Tavily、Bocha、Brave、MiniMax 和自建的 SearXNG 实例都可以替代。
然后进 Actions 标签页,同意那条关于启用 workflow 的提示,手动跑一次「每日股票分析」确认能跑通。之后它会在工作日的北京时间 18:00 自己触发,跳过非交易日(包括 A 股、港股和美股的假期),也支持强制运行和断点续跑这类边角情况。
本地跑这条路,适合那些更愿意自己握着流程的人:
git clone https://github.com/ZhuLinsen/daily_stock_analysis.git && cd daily_stock_analysis
pip install -r requirements.txt
cp .env.example .env
python main.py
CLI 的开关还算齐。`--debug` 输出详细日志,`--dry-run` 只生成不推送,`--stocks` 单次覆盖股票池,`--market-review` 出市场级综述而非逐股,`--schedule` 起一个长期运行的本地调度器,`--serve-only` 只跑 Web 界面不做分析。另有一个 Docker 镜像 `zhulinsen/daily_stock_analysis`,算是中间路线。
为什么免费数据源比模型更重要
这个项目的经济学才是有意思的部分。
默认行情数据来自 AkShare、Baostock 和 YFinance,全部免费。README 写得很明确:日志里说某个数据源未配置,不影响运行。付费替代方案也有,A 股和 ETF 可以用 TickPlus,历史数据稳定性找 Tushare,港股的成交额、市盈率这类字段靠 Longbridge,但系统的设计目标是零花费也能产出一份能用的看板。
算力是 GitHub Actions 的分钟数,对一个每个工作日跑一次的公开 fork 来说基本免费。新闻搜索是唯一会出现成本的地方,即便在这里,几家服务商的免费额度也够覆盖十几个 ticker 的股票池。
免费数据、免费算力、免费送达,这个组合就是星数往上爬的原因。它的分析不比付费终端更好。但它跑一次的边际成本是零,所以你可以一直开着,看会发生什么。
它到底输出什么
看板按个股分块,装的是 LLM 对价格走势、新闻情绪、公告和催化剂的解读,另加一份市场级综述。README 对降级规则很坦白:社交情绪和部分新闻源在 API 限流时会回退或直接缺席,系统会把回退记下来,不会假装数据是完整的。
这种诚实比它应有的稀缺程度还要少见。大多数 AI 看板不管输入有没有到齐,都会端出一个自信的总结。这一个把缺源当成一种需要报告的状态。
它哪里会错
覆盖面纸面上很宽,实际并不均匀,仓库自己的文档是找差别最好的指南。
行情质量取决于哪个数据源应答。AkShare 和 Baostock 由社区维护,偶尔延迟或者改 schema;YFinance 对美股覆盖好,对更薄的市场就差些。港股的换手率、量比、市盈率这些字段要有 Longbridge 凭证才完整,也就是说没配的情况下,这些市场的看板会有肉眼可见的空洞。
LLM 那一步继承的是新闻层找到的东西。搜索 key 缺失时,情绪部分会退化到价格走势和公告,一只社交讨论很热闹的股票会读起来很安静。README 说清楚了缺源会被报告而不会被悄悄抹平,这个处理是对的,但这也意味着同一个仓库的两个用户,同一天看同一只股票,拿到的看板可能差得不小。
而分析本身就是一个语言模型在总结公开信息。它不跑估值模型,没有一致预期,也没法告诉你一次价格波动是不是过度反应。它能做的是把四十条标题、三份公告和一周的价格走势压成一页你开盘前真会读完的东西。
值得照抄的部分
把股票那层剥掉,你手上是一个模板,对应一整类目前供给不足的产品:定时的、私密的、单一用途的智能体,主动推一个结果,不等谁来问。
组件描述起来很平淡。一个 cron。几个免费数据源,带优雅降级。一个 LLM 步骤,把结构化数据变成人真会读的文字。一个用户本来就在看的送达渠道。一个不需要维护服务器的配置文件。
今年发出来的「AI 助手」几乎全是反面:一个聊天窗口,要求你先知道该问什么。cron 加推送这个形状把它倒了过来。它假设用户有比审问模型更要紧的事,靠在一个固定时间带着具体的东西出现,换来自己的位置。
必须说清的保留意见
这是一个爱好者级别的分析工具,不构成投资建议,仓库自己也这么写。一个语言模型总结某只股票的公开新闻,它当不了研究分析师;一份每晚准时到达的看板,恰恰因为太规律,容易造出一种虚假的严谨感。
拿它当一个过滤器,告诉你什么变了。谁把它当神谕,问它该怎么做,就是用错了。本月发布的大多数 AI 产品也一样:价值在于少读一点,从来不在那个结论上。