AI研报连载 · 第 1 篇 / 共 10 篇

A股AI选股与分析Agent开源生态深度调研及架构设计报告

摘要

本报告对GitHub上与股票分析、量化交易、AI金融相关的开源项目进行了系统性深度调研，总计分析超过30个开源代码库。通过6个维度的并行深度研究、交叉验证和洞察提取，形成了一份约4万字的综合研究报告。

核心发现：

第一，研究范围内开源项目构成了从数据获取到决策推送的完整链条，但每个项目的能力边界各不相同。Daily Stock Analysis（31.6k Stars）以其零成本部署、A股深度优化和多渠道推送能力成为个人投资者的首选参考；TradingAgents以其学术级的多Agent协作架构（五层体系、4+2+1 Agent设计）成为多智能体金融交易的标杆；Microsoft Qlib（33.7k Stars）以40+ ML模型库和AI-first量化研究平台定位成为投研基础设施的领导者；而FinceptTerminal（16.9k Stars）则代表了开源Bloomberg Terminal替代方案的最高水准。

第二，当前开源生态存在一个显著的战略空白——“模拟炒股+每日复盘+策略自我进化”的闭环系统。所有被分析的项目都止步于”分析→建议→推送”的单向信息流，没有任何项目实现了”选股→模拟买入→持仓跟踪→每日复盘→策略权重动态调优→再选股”的完整反馈回路。这一空白正是用户设计Agent架构时的核心差异化机会。

第三，A股市场的特殊性（T+1制度、10%/20%涨跌停限制、政策面主导、板块轮动特征）要求独立的Agent角色设计。直接移植美股-centric框架会导致政策面、龙虎榜、主力资金流等关键维度的缺失。推荐的6+1 Multi-Agent架构（技术面/资金面/基本面/消息面/政策面/概念题材 + 决策协调器）专门针对A股环境设计。

第四，MCP（Model Context Protocol）正在快速重构金融数据与LLM的连接范式。美股MCP Server生态已有约50个项目（SEC EDGAR、Alpaca、Finnhub等），但A股专用MCP Server仅有akshare-one-mcp（642 Stars）等极少数项目，存在明显的窗口期机会。

基于以上发现，本报告在第九章提出了一套完整的A股AI选股/分析Agent架构设计方案，包含Skill-A「每日选股Agent」（定时/主动/推送）和Skill-B「个股分析Agent」（被动/响应/深度），采用四层架构（数据层→模型层→Agent层→交互层），6+1 Multi-Agent编排，贝叶斯加权共识决策，以及GitHub Actions零服务器部署方案。第十章提供了10周分阶段实施路线图，从零成本方案（AKShare + Gemini免费API + GitHub Actions）到增强方案（Tushare Pro + DeepSeek API + VPS），覆盖不同预算和技术水平的用户需求。

1. 开源股票分析/交易项目全景概览

1.1 项目分类体系

对GitHub上与股票分析、交易相关的开源项目进行系统性调研，首先需要建立一个清晰的分类框架。当前生态中的项目可按三个正交维度划分——功能定位、技术栈和目标市场——每个维度揭示不同的生态位竞争格局。

1.1.1 按功能定位五分类法

基于项目核心能力边界，可将调研范围内超过30个活跃项目归纳为五大类型。终端工具型项目面向最终用户提供可直接运行的分析或交易界面，以Daily Stock Analysis（~31.6k Stars）[gptrader.app]和FinceptTerminal（16.9k Stars）[Github]为代表。多Agent框架型项目专注于模拟人类投资团队的协作决策流程，TradingAgents（~54k Stars）[Sling Academy]采用七层架构并已于AAAI 2025接收论文发表[arXiv.org]；investment-team（142 Stars）和StockAnal_Sys（831 Stars）则代表了更轻量级的A股多Agent实现。量化基础设施型项目为上层策略提供数据、回测和绩效计算底座，Microsoft Qlib（~33.7k Stars）内置40余个ML模型，VeighNa（vn.py, ~39.9k Stars）是国产A股实盘量化的首选框架。AI投研平台型项目强调LLM（Large Language Model，大语言模型）与金融分析的深度融合，finance-skills通过MCP（Model Context Protocol，模型上下文协议）将10亿+金融文档接入Claude；TimeCopilot作为首个专门为时间序列预测设计的agentic框架，实现了自然语言到多模型预测的自动路由。数据/可视化组件型项目以AKShare（18.7k Stars）和a-share-mcp-is-just-i-need（642 Stars）为代表，前者是A股免费数据的事实标准，后者将BaoStock封装为标准MCP Server。

这五大类型并非互斥。Daily Stock Analysis兼具终端工具和数据组件属性；FinceptTerminal同时包含终端界面、37个Agent引擎和100+数据连接器。生态中真正稀缺的是横跨全部五种类型的垂直整合型项目——这也是后文分析中指出的”模拟炒股+策略进化”闭环空白所在。

1.1.2 按技术栈三分类法

从底层技术选型看，当前生态呈现Python主导、C++/原生补充、JavaScript/Web渗透的三元格局。Python生态以压倒性优势占据金融分析领域：OpenBB（66.7k Stars）、Freqtrade（49.5k Stars）、Microsoft Qlib、VeighNa、Backtrader（~19.4k Stars）等头部项目均以Python为核心语言，原因显而易见——pandas、numpy、scikit-learn、PyTorch等数据科学生态的成熟，以及LangChain/LangGraph等LLM编排框架的存在，使得Python成为AI+量化领域的自然选择。C++/原生生态以FinceptTerminal和StockSharp为代表，前者采用C++20/Qt6核心层+嵌入式Python分析层的混合架构，安装包仅~15MB、启动时间<2秒，内存占用相较Electron方案降低约80%；后者基于C#/.NET，支持90+经纪商/交易所接入和HFT（High-Frequency Trading，高频交易）级低延迟。JavaScript/Web生态的代表是Superalgos（~5.4k Stars），其可视化节点式策略构建工具允许用户通过拖拽创建交易策略；Ghostfolio（8.3k Stars）以Angular/NestJS全栈架构提供财富管理Web应用。技术栈的选择本质是性能-开发效率-生态丰富度之间的权衡：纯Python路线生态最丰富但实时性受限，C++原生路线性能最强但构建门槛极高（FinceptTerminal要求MSVC 19.38+/GCC 12.3+/Apple Clang 15.0+），混合架构试图在两者之间取得平衡。

1.1.3 按目标市场两分类法

按目标市场划分，生态呈现明显的美股/全球市场导向 vs A股/中国市场导向的二元对立。前者以TradingAgents、OpenBB、finance-skills、Freqtrade为核心，数据源覆盖Yahoo Finance、FRED、Polygon等，LLM分析框架默认以英文财经新闻为训练素材。后者则以Daily Stock Analysis、VeighNa、AKShare、QUANTAXIS（10.4k Stars）、stock-scanner（927 Stars）为代表，直接内置A股特有机制（T+1、涨跌停、龙虎榜、缠论/波浪等本土化策略）。美股项目通常假设数据接口标准化，而A股项目必须处理多源爬虫数据的碎片化和不稳定性——AKShare依赖东方财富/新浪财经爬虫，Tushare Pro在2025年8月因托管机房纠纷停运近一周，Baostock虽免费但数据粒度有限。对计划构建A股AI Agent的用户而言，这意味着不能简单fork一个美股项目替换数据源，而必须从头设计面向A股特殊性的数据层、分析层和决策层。

上表清晰呈现了生态中的”头部聚集”与”长尾分化”现象。Stars数超过3万的项目共有5个，它们构成生态的”引力核心”。而在A股垂直领域，虽缺乏Stars破万级的专项项目，但形成了由高 Stars 基础设施（AKShare、VeighNa）和大量低 Stars 专项工具（a-share-mcp、StockAnal_Sys、stock-scanner）组成的互补生态。这意味着A股AI Agent开发者无法依赖单一项目，而必须自行整合多个组件，工程复杂度显著高于美股场景。

1.2 生态热度图谱

1.2.1 GitHub Stars分布全景

GitHub Stars是衡量开源项目社区热度的核心指标，虽然不等同于生产成熟度，但在金融AI这一快速演进的领域，Stars分布直接反映了社区注意力流向和技术范式迁移趋势。

从Stars分布可以观察到三个结构性特征。第一，量级断层明显：前5名项目均突破3万Stars，与后续项目形成显著断层。DeerFlow作为2026年2月字节跳动新发布的SuperAgent Harness，迅速登顶GitHub Trending#1，其~59.7k Stars反映了Agent编排层在生态中的极高热度。第二，A股专项项目Stars普遍偏低：除VeighNa和AKShare外，直接面向A股AI分析的项目（StockAnal_Sys 831、stock-scanner 927、a-share-mcp 642）均处于长尾区间，表明该领域尚未形成社区公认的标杆项目。第三，LLM原生项目的Stars增速显著高于传统量化工具：Daily Stock Analysis的增长曲线明显快于Backtrader和Zipline等传统回测框架，反映了社区注意力从”规则驱动量化”向”LLM驱动分析”的快速迁移。

Forks数据揭示了另一个维度。Daily Stock Analysis拥有~32.2k Forks，Forks/Stars比值接近1.0，远高于OpenBB（≈0.10），说明其社区参与模式以”fork后直接使用/修改”为主，符合零成本部署和GitHub Actions定时运行的设计哲学。VeighNa的11.5k Forks同样反映了国产量化框架”fork即策略开发”的社区文化。

1.2.2 2024-2025年关键里程碑时间线

2024年至2025年是金融AI开源生态的加速裂变期，多个技术范式的成熟交汇于这一窗口。

2024年12月，TradingAgents论文发布于arXiv并随后被AAAI 2025接收，其”Bull vs Bear对抗性辩论”设计成为后续多Agent金融框架的参考模板。同期，Daily Stock Analysis v3.x系列引入AI回测验证和策略Agent问股，标志着个人级AI金融工具进入产品化阶段。

2025年的核心趋势是MCP协议的快速渗透。Bigdata.com/RavenPack成为Claude官方MCP连接器，将10亿+金融文档标准化接入LLM；年中，a-share-mcp和MCP BaoStock Server等A股专用MCP Server相继出现。然而，2025年8月Tushare Pro因托管机房纠纷停运近一周，成为A股数据层”单一依赖风险”的标志性案例。在AI量化基础设施层，Microsoft Qlib推出RD-Agent模块，在CSI 300上以70%更少的因子实现约2倍年化回报，并于NeurIPS 2025发表。

2026年初，字节跳动开源DeerFlow，迅速获得~59.7k Stars，其多Agent并行编排和飞书原生推送支持为A股Agent架构提供了新选型。同月，OpenClaw创始人Peter Steinberger加入OpenAI，其350K+ Stars的Agent框架和44,000+ Skills生态持续扩张，stock-daily-analysis-skill等金融垂直Skills的出现证明了Agent能力”npm化”的分发趋势。

1.3 本章研究范围说明

1.3.1 用户原始提及项目的确认与修正

在调研启动阶段，用户提及了若干参考项目，其中多数已通过GitHub检索和社区验证确认存在且活跃。Daily Stock Analysis（ZhuLinsen）、TradingAgents、finance-skills和OpenBB均拥有明确的GitHub仓库和持续维护记录，是本章分析的核心参考对象。

需要特别说明的是“KronosQuantDinger”项目。经多维度检索（GitHub精确搜索、搜索引擎全网索引、技术社区检索），该名称在开源生态中无任何可验证的匹配结果。可能存在的情形包括：（1）项目名称存在拼写或记忆偏差；（2）该项目为闭源或尚未公开；（3）与Kronos（清华大学+微软亚洲研究院发布的金融K线图基础模型）存在混淆。在本报告中，Kronos作为独立项目被列入DIM-05分析（其在A股RankIC指标上相较传统方法提升93%），但不作为”KronosQuantDinger”的等效替代。若用户后续能提供该项目的补充线索，可在后续章节中追加分析。

1.3.2 补充项目的筛选标准

本章及后续章节的调研范围不限于用户原始提及项目，而是基于以下四项标准进行系统性补充筛选：

Stars数门槛：纳入分析的项目需满足Stars≥100或forks≥30的最低门槛，但对A股垂直专项项目适度放宽——a-share-mcp（642 Stars）、ClawQuant Trader（83 Stars）等虽Stars偏低，但因填补了关键生态位而纳入分析。

活跃度指标：优先选择最近12个月内有实质性commit的项目。Backtrader和Zipline虽拥有~19k Stars，但因核心维护已放缓（Backtrader原版自2023年后无官方更新），在选型建议中被标记为”社区fork替代”状态。

A股相关性权重：在功能相近的项目中优先选择原生支持A股的项目。例如，回测框架中VeighNa的优先级高于StockSharp，因为前者直接对接CTP/XTP等国内交易接口并针对T+1和涨跌停规则优化。

技术先进性指标：优先纳入采用2024-2025年新兴技术架构的项目。MCP协议集成（a-share-mcp、finance-skills）、OpenAI Agents SDK（Agentic-Trader）、LangGraph编排（TradingAgents）和嵌入式Python/C++混合架构（FinceptTerminal）均被视为技术先进性标志。

上述筛选标准的交叉应用产生了本报告最终覆盖的约25个核心项目。开源生态处于快速演进中，各项目的Stars数和维护状态可能在本报告撰写期间发生变化。所有数据点均标注了来源引用，读者可通过原始链接进行实时验证。

—— 第 1 篇完 ——

下一篇：2. 终端型AI股票分析工具深度解剖