股票分析AI工具开发教程
在本教程中，我们将利用Google Gemini 2.0 Flash模型创建一个简单但有效的股票分析器。
你是否曾被大量的股票市场数据所淹没？希望有一个私人助理来筛选噪音并为您提供清晰、可操作的见解？好吧，你可以自己构建一个，而且由于 Python 的强大功能、随时可用的 API 和 AI 的帮助，它出奇地容易（而且免费！）。
重要免责声明：该项目仅用于教育和信息目的。它旨在演示如何集成各种 API 和 AI 模型。股票市场本质上是复杂且有风险的。请勿将此应用程序生成的“买入”或“卖出”信号用于实际交易决策。在做出任何投资决策之前，彻底了解金融市场、风险管理和独立研究是必不可少的。
该项目可以作为那些有兴趣探索人工智能与金融交集的人的基础，但它不能替代专业的财务建议。
在本教程中，我们将创建一个简单但有效的股票分析器：
- 获取历史股票数据：使用免费的 Alpha Vantage API。
- 可视化数据：使用 Matplotlib 创建交互式图表。
- 提供人工智能分析：利用 Google 的 Gemini Flash 模型获取见解。
- 在用户友好的 Web 应用程序中呈现所有内容：使用 Streamlit 构建。
该项目非常适合想要了解 API 集成、数据可视化和人工智能实际应用的初学者。无需任何金融或人工智能经验！
1、收集你的工具（和 API 密钥）
在深入研究代码之前，让我们确保你拥有必要的工具：
Python：确保已安装 Python 3.7 或更高版本。
库：我们将使用以下 Python 库。您可以使用 pip 安装它们：
pip install pandas matplotlib requests pytz google-generativeai streamlit
Streamlit：使用命令 pip install streamlit 进行安装
API 密钥：这就是“免费”魔法发生的地方！
- Alpha Vantage：前往 alpha vantage并注册一个免费的 API 密钥。此密钥允许我们访问他们的库存数据。请将此密钥安全且保密！
- Google AI Studio API 密钥：转到 Google AI Studio。单击“获取 API 密钥”。这将允许你使用 Gemini Flash 模型。也请将此密钥保密！
重要提示：免费 API 密钥通常有使用限制（例如，每分钟或每天的请求数量）。请注意这些限制以避免中断。Alpha Vantage 的免费套餐通常足以满足个人项目的需求。
让我们开始编码吧！
2、获取股票数据
首先，我们创建一个名为 stock_utility_handler.py 的文件。此文件将负责获取和处理股票数据。
import pandas as pd
import json
from datetime import datetime
import pytz
import matplotlib.pyplot as plt
import matplotlib.dates as mdates
import matplotlib.widgets as widgets
import requests
class StockAPI:
def __init__(self,api_key):
self.api_key = api_key
def get_stock_info(self,stock,market):
if market == 'NASDAQ':
url = f'https://www.alphavantage.co/query?function=TIME_SERIES_DAILY&symbol={stock}&outputsize=compact&apikey={self.api_key}'
else:
url = f'https://www.alphavantage.co/query?function=TIME_SERIES_DAILY&symbol={stock}.{market}&outputsize=compact&apikey={self.api_key}'
r = requests.get(url)
data = r.json()
return data
class StockAnalyzer:
def __init__(self):
pass
def json_to_dataframe(self,json_data,stock_symbol,market):
print(json_data)
time_series_data = json_data['Time Series (Daily)']
df_data = []
for date_str, values in time_series_data.items():
data_row = {'date': date_str}
for key, value in values.items():
new_key = key.split('. ')[1] # Correctly extract the key
data_row[new_key] = float(value)
df_data.append(data_row)
df = pd.DataFrame(df_data)
df['date'] = pd.to_datetime(df['date'])
eastern = pytz.timezone('US/Eastern')
ist = pytz.timezone('Asia/Kolkata')
df['date'] = df['date'].dt.tz_localize(eastern).dt.tz_convert(ist)
df['date'] = df['date'].dt.strftime('%Y-%m-%d %H:%M:%S')
df['stock']=stock_symbol
df['market']=market
df = df.set_index('date')
return df
def plot_stock_data(self,df, stock_symbol, market,image_path):
plt.figure(figsize=(16, 10))
# Plotting Closing Price
plt.subplot(3, 1, 1)
plt.plot(pd.to_datetime(df.index), df['close'], label=f'{stock_symbol} Closing Price ({market})', color='blue')
plt.title(f'{stock_symbol} Stock Performance ({market})')
plt.xlabel('Date (IST)')
plt.ylabel('Price')
plt.legend()
plt.grid(True)
# Plotting Volume
plt.subplot(3, 1, 2)
plt.bar(pd.to_datetime(df.index), df['volume'], label=f'{stock_symbol} Volume ({market})', color='green', width=2)
plt.xlabel('Date (IST)')
plt.ylabel('Volume')
plt.legend()
plt.grid(True)
# Plotting Moving Averages
plt.subplot(3, 1, 3)
df['MA_7'] = df['close'].rolling(window=7).mean()
df['MA_20'] = df['close'].rolling(window=20).mean()
plt.plot(pd.to_datetime(df.index), df['close'], label=f'{stock_symbol} Closing Price ({market})', color='blue', alpha=0.7)
plt.plot(pd.to_datetime(df.index), df['MA_7'], label='7-Day MA', color='orange')
plt.plot(pd.to_datetime(df.index), df['MA_20'], label='20-Day MA', color='red')
plt.xlabel('Date Month(IST)')
plt.ylabel('Price')
plt.legend()
plt.grid(True)
# Enhanced Date Formatting for All Subplots
for ax in plt.gcf().axes:
# Major ticks every month, minor ticks every week
ax.xaxis.set_major_locator(mdates.MonthLocator())
ax.xaxis.set_minor_locator(mdates.WeekdayLocator(byweekday=[0])) # Monday
# Formatter for major ticks
ax.xaxis.set_major_formatter(mdates.DateFormatter('%Y-%m'))
# Formatter for minor ticks (hover tooltip will provide more detail)
#ax.xaxis.set_minor_formatter(mdates.DateFormatter('%Y-%m-%d'))
# Auto-rotate labels if needed
plt.gcf().autofmt_xdate()
# Add hover tooltip
cursor = widgets.Cursor(plt.gca(), color='red', linewidth=1)
plt.tight_layout()
plt.savefig(image_path)
plt.show()代码说明
get_stock_info()：此函数根据股票代码和市场构建 API 请求 URL。它处理 BSE 和 NASDAQ 市场（您可以在项目中添加更多市场 :) ）。它使用请求库进行 API 调用并返回 JSON 响应。
json_to_dataframe()：此函数从 Alpha Vantage 获取原始 JSON 数据并将其转换为 Pandas DataFrame。这对于数据分析和可视化至关重要。它处理：
- 提取“时间序列（每日）”数据。
- 清理键（删除“1. “前缀）。
- 将日期字符串转换为 datetime 对象。
- 将日期从美国/东部转换为亚洲/加尔各答 (IST) 时区，并格式化日期。
- 将“日期”列设置为索引。
plot_stock_data()：此函数生成一个包含三个子图的综合图：
- 收盘价：显示股票的每日收盘价。
- 交易量：以条形图显示交易量。
- 移动平均线：计算并绘制 7 天和 20 天移动平均线，这是常见的技术指标。
将图形保存到指定的 image_path。
3、添加 AI 洞察
现在，让我们创建 ai_insights_handler.py 以集成 Gemini Flash 模型进行 AI 驱动的分析。
import google.generativeai as genai
import PIL.Image
class AIInsights:
def __init__(self,api_key):
self.api_key=api_key
genai.configure(api_key=self.api_key)
self.model = genai.GenerativeModel(model_name = "gemini-2.0-flash")
def get_ai_insights(self,image_path,stock,market):
image = PIL.Image.open(image_path)
prompt = f"This is an image of stock performance of stock : '{stock}' for the last 100 days on market : '{market}', on the basis of volume traded, closing prices and 7,20 day moving averages provide some analysis and suggestion abot this stock. This Stock should be purchased or not."
response = self.model.generate_content([prompt, image])
return response代码说明
get_ai_insights():
- 使用
PIL.Image.open()打开保存的图像。 - 为 Gemini 模型构建提示。提示清楚地描述了图像和所需的分析（基于成交量、收盘价和移动平均线的买入/卖出建议）。清晰的提示对于获得良好的结果至关重要。
- 调用
model.generate_content()，传入提示和图像。这是多模式交互的核心。 - 返回来自模型的响应。
4、构建 Streamlit Web 应用程序
收集在初始步骤中为 Google AI Studio 和 Alpha Vantage API 生成的 API 密钥。
最后，让我们创建 marketapp.py 以使用 Streamlit 构建用户友好的界面。
from stock_utility_handler import StockAPI, StockAnalyzer
from ai_insights_handler import AIInsights
import streamlit as st
if 'page' not in st.session_state:
st.session_state.page = "page1"
st.session_state.ticker = "RELIANCE"
st.session_state.market = "BSE"
st.session_state.image_path = ""
st.session_state.ai_insights = ""
st.session_state.internal_results_available = False
def page1():
st.title('Stock AI Agent')
col1, col2 = st.columns(2)
with col1:
st.session_state.ticker = st.text_input("Enter Stock Ticker Symbol", value=st.session_state.ticker, key="ticker_input") #Use key for unique input.
with col2:
st.session_state.market = st.selectbox("Select Market", ["BSE", "NASDAQ"], index=["BSE", "NASDAQ"].index(st.session_state.market), key="market_input") #Use key, corrected index.
st.sidebar.header("About")
st.sidebar.write("This is a stock analysis platform.")
st.markdown("---")
if st.button('Submit'):
st.session_state.page = "page2" # Go to the next page
st.session_state.internal_results_available = False
st.rerun()
def page2():
st.title(f"Analysis for {st.session_state.ticker} ({st.session_state.market})") # Use stored inputs
stock=st.session_state.ticker
market=st.session_state.market
if not st.session_state.internal_results_available:
with st.spinner('Analyzing... Please wait...'):
image_path=f"<your_image_path>/{market}_{stock}.png"
st.session_state.image_path=image_path
stock_api_obj = StockAPI("<your-alpha-vantage-api-key>>")
market_data=stock_api_obj.get_stock_info(stock,market)
stock_analyzer_obj=StockAnalyzer()
df=stock_analyzer_obj.json_to_dataframe(market_data,stock, market)
stock_analyzer_obj.plot_stock_data(df,stock, market,image_path)
ai_insights_obj=AIInsights("<<your-google-api-key>>")
response=ai_insights_obj.get_ai_insights(image_path,stock,market)
candidates = response.candidates
for candidate in candidates:
text_parts = candidate.content.parts
for part in text_parts:
print(part.text)
st.session_state.ai_insights += part.text
st.session_state.internal_results_available = True
if st.session_state.internal_results_available:
st.subheader("Chart Analysis")
st.image(st.session_state.image_path, caption=f"{st.session_state.ticker} Chart",use_column_width=True) # Example image
st.subheader("Analysis Results")
st.write(st.session_state.ai_insights)
if st.button("Back"): #Back button
st.session_state.page = "page1"
st.session_state.internal_results_available = False
st.rerun()
if st.session_state.page == "page1":
page1()
elif st.session_state.page == "page2":
page2()最后，使用 streamlit run 运行 marketapp.py
streamlit run marketapp.py
以下是 UI 的一些屏幕截图
输入股票代码并选择市场。（这里我选择 HDFCBANK 仅作为示例）
你应该会看到一个屏幕，其中显示正在进行的 API 调用和数据分析。以下是结果图表和 AI 见解。
原文链接：Build Your Own AI-Powered Stock Analyzer (for Free!)
汇智网翻译整理，转载请标明出处