让 AI 像投研团队一样分析股票：面向中国证券市场的智能证券分析 Agent

在证券投资研究中，很多人都有过类似的体验：

想分析一只股票，却要在多个平台之间来回切换；想看财务数据，却发现字段口径不统一；想做多维度判断，却需要同时兼顾基本面、估值、技术面、风险和市场情绪； 想让 AI 辅助投研，又发现很多工具并不真正理解中国证券市场的数据结构。

于是，一个现实问题摆在面前：

能不能让 AI 不只是回答问题，而是真正像一支专业投研团队一样，自动获取数据、分析指标、组织逻辑，并输出一份可解释的证券分析报告？

这正是我尝试构建证券分析 Agent 的出发点。

一、不是简单的“AI 选股”，而是一套智能投研工作流

很多所谓的 AI 炒股工具，往往停留在两个层面：

一种是简单读取行情数据，然后给出趋势判断；另一种是把财务指标丢给大模型，让模型生成一段看似专业的分析文字。

但这两种方式都有明显问题。

前者过于依赖单一数据，缺乏综合判断能力；后者容易变成“语言包装”，分析逻辑和数据依据并不稳定。

真正有价值的 AI 投研系统，不应该只是告诉用户“买”或“不买”，而应该回答更关键的问题：

这只股票为什么值得关注？ 风险在哪里？ 估值是否合理？ 财务表现是否支撑当前价格？ 不同分析维度之间是否相互印证？ 最终结论的依据是什么？

因此，我基于 ai-hedge-fund、OpenBB、openbb_tushare provider，并结合 Hermes Agent，构建了一套针对中国证券市场的智能证券分析 Agent。

它的核心目标不是替用户做投资决策，而是帮助用户更高效地完成投研分析。

二、面向国内市场：解决数据接入和数据口径问题

原始的 ai-hedge-fund 项目本身具备优秀的多 Agent 投研分析框架，可以模拟不同投资风格和分析方法，对股票进行多维度研究。

但它原本主要依赖海外数据源，对于中国股票市场并不天然适配。

为了让这套框架真正服务于 A 股、港股等中国市场场景，我对数据底座进行了改造。

具体来说，我通过 OpenBB 接入 openbb_tushare Provider，使 OpenBB 能够调用 Tushare 数据源，从而为证券分析 Agent 提供中国市场数据能力。

这样一来，系统可以围绕中国证券市场获取和处理包括：

行情数据、财务报表、公司资料、分红送股、基础指标以及其他 Tushare 原始数据。

更重要的是，对于部分缺失字段或口径不一致的数据，我还基于 Tushare 原始数据进行了二次加工。

这意味着，系统不是简单地“拿到数据”，而是进一步解决了投研中非常关键的几个问题：

字段缺失如何补齐？ 不同接口返回的数据如何统一？ 某些指标如何基于原始数据重新计算？ 最终输入给 Agent 的数据是否足够稳定和可解释？

这一步，决定了系统能否从“能跑起来”变成“真正可用”。

三、多 Agent 协作：让 AI 分析更接近真实投研团队

单一模型、单一指标、单一视角，很难完成高质量证券分析。

一个专业投研团队通常会从多个角度拆解一家公司：

有人关注财务健康状况； 有人关注收入增长和盈利能力； 有人关注估值水平； 有人关注市场趋势和技术形态； 有人关注风险暴露； 也有人负责把不同观点汇总成最终判断。

我的证券分析 Agent 也采用类似思路。

在增强版 ai-hedge-fund 分析引擎中，系统会围绕一只股票组织多个分析 Agent 协同工作，包括：

• 基本面分析
  
  关注公司经营、财务质量、盈利能力和成长性。
• 技术面分析
  
  关注价格趋势、成交量变化和市场行为。
• 估值分析
  
  判断当前价格与公司内在价值之间的关系。
• 情绪分析
  
  辅助识别市场关注度与情绪变化。
• 风险管理
  
  识别潜在风险，避免单一乐观判断。
• 综合研判
  
  汇总不同 Agent 的分析结果，形成结构化结论。

这种设计的优势在于：

AI 不再只是“凭感觉写一段分析”，而是通过多个角色分工，对同一个标的进行交叉验证。

最终输出的不只是一个结论，而是一组有依据、有结构、有解释的分析结果。

四、接入 Hermes Agent：让证券分析能力成为可调用工具

传统投研工具通常需要用户主动打开界面、填写参数、导出数据、手动分析。

而在 AI Agent 时代，更理想的方式是：

用户提出一个目标，Agent 自动判断需要调用哪些工具，然后完成数据获取、分析执行和结果总结。

因此，我在 ai-hedge-fund 基础上增加了 CLI 模块，并将其编译为二进制可执行文件，便于让 AI Agent 如小龙虾或 Hermes 调用。

这一步非常关键。

它意味着证券分析能力可以不再只是一个 Python 项目，而是可以变成一个独立运行、可被 AI Agent 调用的工具。

结合 Hermes Agent 后，用户可以用更自然的方式发起分析任务。例如：

“帮我分析一下这只股票的基本面和风险。”“对这几只股票做一个批量分析。”“生成一份适合投研会议使用的结构化摘要。”“从估值、技术面和风险角度比较这些标的。”

Agent 可以自动调用 CLI 工具，完成底层分析任务，并将结果整理成用户可读的报告。

这让证券分析从“人工操作软件”变成了“Agent 自动执行任务”。

五、它能为用户解决什么问题？

这套证券分析 Agent 主要解决四类问题。

1. 降低数据整合成本

过去，分析一只股票往往需要查行情、查财报、查公司资料、查分红数据，再手动整理到表格中。

现在，数据可以通过统一接口进入分析流程，减少重复查询和手工整理。

2. 提升分析效率

多 Agent 分析框架可以自动从多个维度生成判断，用户不需要从零开始搭建分析模板。

对于单股研究、批量分析、投研辅助和内容生成场景，都能显著提升效率。

3. 增强结论可解释性

系统不是只输出一句“看好”或“不看好”，而是会围绕多个分析维度输出理由、信号、风险和摘要。

这让用户能够理解结论背后的逻辑，而不是被动接受一个黑箱判断。

4. 支持自动化投研流程

通过 CLI 和 Agent Skill 的方式，证券分析能力可以被 Hermes Agent 或其他 AI Agent 调用。

这意味着它可以成为更大工作流中的一个组件，例如：

• 自动生成股票分析报告；
• 自动批量处理股票池；
• 自动整理投研摘要；
• 自动为财经内容提供分析素材；
• 自动辅助构建内部研究流程。

六、适合哪些使用场景？

这套方案并不局限于某一类用户。

对于个人投资研究者，它可以作为日常研究辅助工具，帮助快速梳理标的情况。

对于财经内容创作者，它可以快速生成结构化分析素材，提高内容生产效率。

对于量化或数据研究者，它可以作为基本面、估值和技术信号的辅助分析模块。

对于 AI Agent 开发者，它可以作为一个金融分析 Skill，被集成进更复杂的智能体系统。

对于投研团队，它可以作为内部智能分析原型，用于探索自动化研究流程。

它真正的价值，并不是替代人，而是把大量重复、分散、低效率的数据整理和初步分析工作交给 AI，从而让人把精力放在判断、验证和决策上。

七、核心价值：从“工具”走向“智能投研基础设施”

如果只把它看作一个股票分析工具，那它的价值还不够完整。

更准确地说，它是一套面向中国证券市场的智能投研基础设施。

它连接了四个关键层面：

1. 1数据层：通过 OpenBB 和 Tushare 打通中国市场数据。
2. 2处理层：对缺失字段、数据口径和指标进行二次加工。
3. 3分析层：通过多 Agent 协作完成基本面、估值、技术面、风险等多维分析。
4. 4执行层：通过 CLI 和 Hermes Agent，让分析能力可以被 AI 自动调用。

这四层组合起来，形成了一条完整链路：

从数据获取，到指标加工； 从多维分析，到结构化结论； 从人工触发，到 Agent 自动执行。

这也是它区别于普通金融数据工具和普通 AI 问答工具的地方。

八、未来的证券分析，不只是看数据，而是组织智能

过去，证券分析的核心能力是“找到数据”。

后来，核心能力变成“处理数据”。

而在 AI Agent 时代，核心能力正在变成：

如何让 AI 正确地组织数据、理解任务、调用工具、协同分析，并输出可解释的结果。

这套证券分析 Agent 正是朝着这个方向迈出的一步。

它不是简单地把大模型接入金融数据，也不是简单地让 AI 写一份股票点评。

它更像是一支可自动执行任务的数字投研团队：

有数据入口， 有分析分工， 有风险约束， 有结果交付， 也有面向 AI Agent 的工具调用能力。

对于希望将 AI 应用于中国证券市场研究的人来说，这样的架构具备很强的扩展价值。

结语

AI 投研的关键，不是让模型替人做决定，而是让模型帮助人更高效、更系统、更透明地完成研究。

基于 ai-hedge-fund、OpenBB、openbb_tushare 和 Hermes Agent 构建的证券分析 Agent，将多 Agent 协作、本土化数据接入、指标加工和工具化调用整合在一起，为中国证券市场提供了一种新的智能投研范式。

它让 AI 不只是“看行情”，而是能够像投研团队一样分析股票。

也让证券研究从手工整理、单点判断，逐步走向自动化、结构化和可解释化。

风险提示

本文所述系统及其生成内容仅用于研究、学习与信息辅助，不构成任何投资建议、买卖推荐或收益承诺。证券投资存在风险，投资者应结合自身风险承受能力独立判断，必要时咨询具备资质的专业人士。