解锁 LangGraph和OpenAI，打造金融分析智能体

AI 赋能股票分析

在股票交易中，投资者要依靠各种工具和方法来做出明智决策。其中一种方法是基本面分析，它通过评估公司财务与股票表现提供操作建议。随着AI和机器学习的发展，股票分析如今在很大程度上可以实现自动化。

本文介绍如何用 LangChain、LangGraph 和 Yahoo Finance 构建股票绩效分析智能体，利用实时数据和关键指标分析。这个教程能帮你创建自己的智能体，下面就开始吧！

金融分析智能体的功能

• 使用 Yahoo Finance 获取股票价格数据。
• 对相对强弱指数（RSI）、指数平滑异同移动平均线（MACD）、成交量加权平均价格（VWAP）等技术指标进行运算。
• 评估财务指标，如市盈率、资产负债率和利润率。
• 运用 OpenAI 强大的语言模型给出结构化的人工智能分析结果。

所需工具

1. LangGraph：用于编排工具和构建对话智能体的库。
2. OpenAI GPT-4：用于生成智能且结构化的金融见解。
3. yfinance：用于获取股票价格和财务比率。
4. ta（技术分析库）：用于计算关键技术指标。
5. Python 库（pandas、dotenv、datetime）：用于数据处理和环境设置。

步骤 1：环境设置 

首先安装所需的库：

pip install -U langgraph langchain langchain_openai pandas ta python-dotenv yfinance

接着，设置一个.env 文件，以便安全存储 OpenAI API 密钥：

OPENAI_API_KEY=你的 OpenAI API 密钥

步骤 2：分析工具 

获取股票价格

此工具的作用是获取股票的历史数据并计算多个技术指标。

from typing import Union, Dict, Set, List, TypedDict, Annotated
import pandas as pd
from langchain_core.tools import tool
import yfinance as yf
from ta.momentum import RSIIndicator, StochasticOscillator
from ta.trend import SMAIndicator, EMAIndicator, MACD
from ta.volume import volume_weighted_average_price

@tool
def get_stock_prices(ticker: str) -> Union[Dict, str]:
    """获取指定股票代码的历史股票价格数据和技术指标"""
    try:
        data = yf.download(
            ticker,
            start=dt.datetime.now() - dt.timedelta(weeks=24*3),
            end=dt.datetime.now(),
            interval='1wk'
        )
        df= data.copy()
        data.reset_index(inplace=True)
        data.Date = data.Date.astype(str)
        
        indicators = {}
        
        rsi_series = RSIIndicator(df['Close'], window=14).rsi().iloc[-12:]
        indicators["RSI"] = {date.strftime('%Y-%m-%d'): int(value) 
                    for date, value in rsi_series.dropna().to_dict().items()}
        
        sto_series = StochasticOscillator(
            df['High'], df['Low'], df['Close'], window=14).stoch().iloc[-12:]
        indicators["Stochastic_Oscillator"] = {
                    date.strftime('%Y-%m-%d'): int(value) 
                    for date, value in sto_series.dropna().to_dict().items()}

        macd = MACD(df['Close'])
        macd_series = macd.macd().iloc[-12:]
        indicators["MACD"] = {date.strftime('%Y-%m-%d'): int(value) 
                    for date, value in macd_series.to_dict().items()}
        
        macd_signal_series = macd.macd_signal().iloc[-12:]
        indicators["MACD_Signal"] = {date.strftime('%Y-%m-%d'): int(value) 
                    for date, value in macd_signal_series.to_dict().items()}
        
        vwap_series = volume_weighted_average_price(
            high=df['High'], low=df['Low'], close=df['Close'], 
            volume=df['Volume'],
        ).iloc[-12:]
        indicators["vwap"] = {date.strftime('%Y-%m-%d'): int(value) 
                    for date, value in vwap_series.to_dict().items()}
        
        return {'stock_price': data.to_dict(orient='records'),
                'indicators': indicators}

    except Exception as e:
        returnf"获取价格数据时出错: {str(e)}"

财务比率

此工具获取关键的财务健康比率。

@tool
def get_financial_metrics(ticker: str) -> Union[Dict, str]:
    """获取给定股票代码的关键财务比率"""
    try:
        stock = yf.Ticker(ticker)
        info = stock.info
        return {
            'pe_ratio': info.get('forwardPE'),
            'price_to_book': info.get('priceToBook'),
            'debt_to_equity': info.get('debtToEquity'),
            'profit_margins': info.get('profitMargins')
        }
    except Exception as e:
        return f"获取比率时出错: {str(e)}"

步骤 3：构建 LangGraph 

LangGraph 让我们能够有效地编排工具和管理对话逻辑。

1. 定义图

我们首先定义一个 StateGraph 来管理流程：

from langgraph.graph import StateGraph, START, END

class State(TypedDict):
    messages: Annotated[list, add_messages]
    stock: str
    
graph_builder = StateGraph(State)

2. 定义 OpenAI 并绑定工具

将工具集成到 LangGraph 中，并创建分析反馈循环。

import dotenv
dotenv.load_dotenv()

from langchain_openai import ChatOpenAI

llm = ChatOpenAI(model='gpt-4o-mini')

tools = [get_stock_prices, get_financial_metrics]
llm_with_tool = llm.bind_tools(tools)

3. 分析师节点

以下提示是为了让人工智能能够理解自身角色并给出结构化输出。

FUNDAMENTAL_ANALYST_PROMPT = """
你是一名专注于根据股票价格、技术指标和财务指标评估公司（其股票代码为 {company}）业绩的基本面分析师。你的任务是为给定股票提供基本面分析的综合总结。

你可以使用以下工具：
1. **get_stock_prices**：获取最新股票价格、历史价格数据以及诸如 RSI、MACD、跌幅和 VWAP 等技术指标。
2. **get_financial_metrics**：获取关键财务指标，如收入、每股收益（EPS）、市盈率（P/E）和资产负债率。

### 你的任务：
1. **输入股票代码**：使用提供的股票代码查询工具并收集相关信息。
2. **分析数据**：评估工具的结果并识别潜在阻力、关键趋势、优势或关注点。
3. **提供总结**：撰写一份简洁、结构良好的总结，突出以下内容：
    - 近期股票价格走势、趋势和潜在阻力。
    - 技术指标的关键见解（例如，股票是否超买或超卖）。
    - 基于财务指标的财务健康状况和业绩。

### 约束条件：
- 仅使用工具提供的数据。
- 避免使用推测性语言；专注于可观察的数据和趋势。
- 如果任何工具未能提供数据，在总结中明确说明。

### 输出格式：
按照以下格式回复：
"stock": "<股票代码>",
"price_analysis": "<股票价格趋势的详细分析>",
"technical_analysis": "<所有技术指标的详细时间序列分析>",
"financial_analysis": "<财务指标的详细分析>",
"final Summary": "<基于上述分析的完整结论>",
"Asked Question Answer": "<基于上述细节和分析的答案>"

确保你的回复客观、简洁且具有可操作性。
"""

def fundamental_analyst(state: State):
    messages = [
        SystemMessage(content=FUNDAMENTAL_ANALYST_PROMPT.format(company=state['stock'])),
    ]  + state['messages']
    return {
        'messages': llm_with_tool.invoke(messages)
    }

graph_builder.add_node('fundamental_analyst', fundamental_analyst)
graph_builder.add_edge(START, 'fundamental_analyst')

4. 工具的添加与图的编译

graph_builder.add_node(ToolNode(tools))
graph_builder.add_conditional_edges('fundamental_analyst', tools_condition)
graph_builder.add_edge('tools', 'fundamental_analyst')

graph = graph_builder.compile()

5. 执行图

events = graph.stream({'messages':[('user', '我应该买这只股票吗？')],
 'stock': 'TSLA'}, stream_mode='values')
for event in events:
    if 'messages' in event:
        event['messages'][-1].pretty_print()

示例输出

{
  "stock": "TSLA",
  "price_analysis": "特斯拉（TSLA）近期股价波动剧烈，大幅波动。在过去几周内，股价从 2024 年 11 月 18 日的 361.53 美元高点跌至 2024 年 4 月 15 日的 147.05 美元低点。目前股价约为 352.56 美元，表明从近期低点强劲反弹。根据近期高点，潜在阻力位似乎在 360 美元左右，而支撑位可确定在 320 美元附近。",
  "technical_analysis": "技术指标呈现出喜忧参半的前景。RSI 最近升至 71，表明股票接近超买区域。随机震荡指标显示值为 94，也表明股票可能超买。同时，MACD 一直在上升，目前为 28，表明上涨势头。然而，由于 RSI 和随机震荡指标都显示潜在的超买情况，需谨慎行事。",
  "financial_analysis": "特斯拉的财务指标显示其相对于收益的估值较高，市盈率为 108.09，市净率为 16.17。公司的资产负债率为 18.08，相对较低，表明资产负债表强劲。利润率为 13.08%，表明盈利能力尚可。然而，高市盈率表明投资者对未来增长有很高的期望。",
  "final Summary": "总之，特斯拉近期股价强劲反弹，潜在阻力在 360 美元左右。技术指标表明股票可能超买，这可能导致价格回调。从财务上看，虽然公司表现良好，债务水平可控且利润率合理，但高估值指标表明未来业绩必须达到更高的期望。投资者在决定购买之前应仔细权衡这些因素。",
  "Asked Question Answer": "鉴于目前的超买指标和高估值，在购买特斯拉之前考虑等待潜在的回调可能是明智的。"
}

未来改进的方向

把投资组合管理智能体加入这个项目会是很好的改进。多个专业团队一起协作，能让智能体变得更强，它可以覆盖更多领域，还能提供更全面的投资组合管理工具。

构建金融分析智能体，既利于学习人工智能和金融分析，也是打造强大实用应用的基础。自己动手试一试，感受自动化在实际操作中的力量！

推荐书单 

《金融大模型开发与应用实践》

《金融大模型开发与应用实践》循序渐进、深入讲解了金融大模型开发与应用实践的核心知识,并通过具体实例的实现过程演练了各个知识点的用法。全书共11章,分别讲解了大模型基础、数据预处理与特征工程、金融时间序列分析、金融风险建模与管理、高频交易与量化交易、资产定价与交易策略优化、金融市场情绪分析、区块链与金融科技创新、基于深度强化学习的量化交易系统(OpenAIBaselines+FinRL+DRL+PyPortfolioOpt)、基于趋势跟踪的期货交易系统(TechnicalAnalysis library+yfinance+Quantstats)、上市公司估值系统(OpenAI+LangChain+Tableau+PowerBI)。《金融大模型开发与应用实践》易于阅读,以极简的文字介绍了复杂的案例,同时涵盖了其他同类图书中很少涉及的历史参考资料,是学习金融大模型开发的理想教程。