打造智能股票分析團隊：LLM Stock Team Analyzer

> 關鍵字: LLM、AI 工具、技術分析、自動化、開源專案、金融資料、ChatGPT 應用、RAG 機制、ChromaDB、LangGraph\

> 摘要: 學習如何使用 LLM Stock Team Analyzer 打造多智能體股票分析系統，結合技術分析與新聞情緒分析，實現自動化投資決策支援。

在這個 AI 當道的時代，你是否曾經想過讓多個 LLM 智能體像專業分析師團隊一樣，協力為你分析股票投資機會？今天要介紹的這個開源專案 LLM Stock Team Analyzer，正是實現這個夢想的絕佳 AI 工具！

這個創新的 ChatGPT 應用 不僅整合了先進的 RAG 機制 和 ChromaDB 向量資料庫，更透過 LangGraph 框架實現了完全自動化的股票分析流程，讓你輕鬆獲得專業級的金融資料分析結果。

🎯 為什麼需要這個 AI 工具？

傳統的技術分析往往依賴單一觀點，不論是技術分析還是基本面分析，都容易有盲點。而這個專案的核心理念是：讓多個 LLM 智能體扮演不同角色的分析師，透過協作與辯論，產生更全面、更客觀的投資建議。

這個自動化分析系統能夠處理大量金融資料，並透過先進的 RAG 機制 提供準確的市場洞察。

想像一下，你有一個分析師團隊，包含：

專精技術分析的市場分析師 📈
擅長新聞情報的新聞分析師 📰
看多的研究員（多頭觀點）🐂
看空的研究員（空頭觀點）🐻
最終決策的交易員 💼

這些智能體會針對同一檔股票進行深度分析與辯論，最後綜合出投資建議。是不是很酷呢？

🌟 適用場景

這個工具特別適合以下情境：

個人投資者：想要獲得多角度的股票分析，避免單一思維盲點
技術學習者：想了解如何使用 LangGraph 建構多智能體系統的開發者
金融科技愛好者：對 AI 工具 在金融領域應用有興趣的朋友
量化交易員：需要自動化分析工具來處理大量金融資料的專業人士

舉個實際例子：當你想分析 NVIDIA (NVDA) 股票時，這個AI 工具會自動化執行以下流程：

抓取 Yahoo Finance 的價格與技術分析指標數據
收集 Google News 的相關新聞進行情緒分析
讓多頭與空頭研究員進行投資觀點辯論
透過 LLM 生成綜合性的投資建議

整個過程完全自動化，就像有一個專業的分析師團隊為你工作！

✨ 功能亮點

🤖 多智能體協作架構

市場分析師：智能選擇 2-3 個互補的技術指標進行分析
新聞分析師：Google News 情緒分析與事件影響評估
多空研究員：進行結構化的投資觀點辯論
交易員：綜合所有分析產生最終建議

📊 智慧技術分析與自動化決策

自動化指標組合：根據市場狀況智能選擇最適合的技術分析指標
四大分析策略：
- 📈 趨勢追蹤：20/10/5MA + MACD + ADX（完全自動化選擇）
- 💥 波動突破：布林通道 + KDJ + ATR
- 🔁 反轉偵測：RSI + OBV + MACD 背離分析
- ⚖️ 風險評估：ATR + 布林通道 + RSI

🎯 先進AI 工具特色

本地部署：完全在本地運行，確保金融資料安全
狀態追蹤：完整的自動化分析流程狀態監控
智能記憶：使用 ChromaDB 向量資料庫實現 LLM 學習能力
PDF 摘要功能：可擴充支援財報等文件的智能摘要（未來功能）

背後的技術亮點

LangGraph：智能體工作流程編排
RAG 機制：結合檢索增強生成提升分析品質
ChromaDB：向量資料庫實現記憶與學習
Azure OpenAI：強大的 LLM 推理能力

🚀 安裝與使用教學

前置需求

Python 3.12+ 或 Docker
Azure OpenAI API 存取權限
網路連線（用於抓取 Yahoo Finance 和 Google News 資料）

方法一：本地安裝（推薦初學者）

Clone 專案

git clone https://github.com/jason8745/llm-stock-team-analyzer.git
cd llm-stock-team-analyzer

安裝相依套件

# 使用 uv（推薦，速度更快）
uv sync

設定配置檔

# 複製配置模板
cp llm_stock_team_analyzer/configs/config.example.yaml llm_stock_team_analyzer/configs/config.yaml

# 編輯配置檔，填入你的 Azure OpenAI 資訊
nano llm_stock_team_analyzer/configs/config.yaml

配置檔範例：

azure_openai:
  endpoint: "https://your-endpoint.openai.azure.com/"
  api_version: "2024-12-01-preview"
  deployment: "your-deployment-name"
  subscription_key: "your-subscription-key"

llm:
  temperature: 0.5
  max_tokens: 4096
  max_debate_rounds: 2

rate_limiting:
  enabled: true
  requests_per_minute: 5
  delay_between_requests: 12

執行分析

# 使用 uv
uv run python main.py

# 或直接執行
python main.py

方法二：Docker 部署（推薦進階使用者）

Build Image

# 基本建構
./build.sh

# 建構特定版本
./build.sh v1.0.0

# 建構安全版本（distroless）
./build.sh --secure

執行容器

# 使用執行腳本（推薦）
./run.sh --config ./my-config.yaml --data ./output

# 或直接使用 docker
docker run -it \
  -v $(pwd)/llm_stock_team_analyzer/configs/config.yaml:/app/llm_stock_team_analyzer/configs/config.yaml \
  llm-stock-analyzer:latest

實際使用範例

執行後，你會看到類似這樣的互動界面：

🔍 LLM Stock Team Analyzer
AI-Powered Multi-Agent Stock Analysis Framework

Enter stock ticker symbol [AAPL]: NVDA
Enter analysis date [2025-07-15]: 2025-07-15

🚀 Starting Multi-Agent Analysis Workflow

► Market analyst triggered tools: ['get_YFin_data']
► Market analyst triggered tools: ['get_stockstats_indicators_report']
► News analyst triggered tools: ['get_google_news']

✅ Analysis Complete!

系統會自動化產生包含以下內容的完整分析報告：

📈 技術分析報告：多指標綜合分析、支撐阻力位、趨勢方向評估
📰 新聞情緒分析：相關新聞摘要、情緒評分、市場影響分析
🎯 投資觀點辯論：多空雙方論點與深度分析（ChatGPT 應用展現）
💰 最終投資建議：綜合投資評級、具體操作建議、風險控制策略

🛠️ 進階自訂與擴充

這個專案的設計非常模組化，你可以根據需求進行各種客製化：

1. 增加自訂分析師節點

想要加入更多分析師？很簡單！你可以在 agents/ 目錄下新增自己的分析師：

def create_custom_analyst(llm, toolkit):
    def custom_analyst_node(state):
        # 你的自訂分析邏輯
        system_message = """你是專精某領域的分析師..."""
        # 分析邏輯實作
        pass
    return custom_analyst_node

2. 強化 RAG 機制與 PDF 摘要功能

目前專案已整合 ChromaDB 作為向量資料庫，你可以進一步擴充 FinancialSituation 記憶機制。這個 RAG 機制 讓系統能夠從歷史分析中學習，提升金融資料分析的準確性：

# 在 llm_stock_team_analyzer/agents/utils/memory.py 中
class FinancialSituationMemory:
    def __init__(self, name, config):
        # 使用 HuggingFace 嵌入模型實現 RAG 機制
        self.embedding_model = HuggingFaceEmbeddings(
            model_name="all-MiniLM-L6-v2"
        )
        # 建立 ChromaDB 客戶端
        self.chroma_client = chromadb.Client()

未來還可以加入 PDF 摘要 功能，讓系統能夠自動分析公司財報、研究報告等 PDF 文件。

3. 新增台股分析工具

特別推薦加入以下台股專用分析工具：

台指期多空指標：分析期貨未平倉量變化
選擇權 PC Ratio：Put/Call 比值分析市場情緒
三大法人買賣超：外資、投信、自營商資金流向
融資融券變化：散戶情緒指標

你可以在 dataflows/ 目錄下新增這些工具：

@tool
def get_taiwan_futures_oi(date: str) -&gt; str:
    """取得台指期未平倉量數據"""
    # 實作台指期數據抓取邏輯
    pass

@tool  
def get_options_pc_ratio(date: str) -&gt; str:
    """計算選擇權 Put/Call 比值"""
    # 實作選擇權數據分析
    pass

💡 開發者小技巧

程式碼品質控制

專案已整合完整的開發工具鏈：

# 程式碼格式化
uv run ruff format .

# 程式碼檢查
uv run ruff check --select I --fix .

# 執行測試
uv run pytest tests/ -v

除錯模式

在初始化時啟用 debug 模式，可以看到詳細的執行流程：

graph = TradingAgentsGraph(
    selected_analysts=["market", "news"], 
    debug=True  # 啟用除錯模式
)

🔮 未來發展方向

這個專案還有很多擴充的可能性：

短期規劃

[ ] 支援更多技術指標
[ ] 實作自動指標組合優化演算法
[ ] 增強風險管理模組
[ ] 多語言介面支援

長期願景

[ ] 加密貨幣分析支援
[ ] 機器學習預測模組
[ ] 即時資料流處理
[ ] 投資組合優化建議

🎉 總結：打造你的專業AI 工具

LLM Stock Team Analyzer 不只是一個股票分析工具，更是一個展示多智能體協作的絶佳開源專案。透過這個創新的 ChatGPT 應用，你可以：

🎯 獲得多角度的投資分析：避免單一觀點的盲點，透過自動化流程
🛠️ 學習現代 AI 技術：深入了解 LangGraph、RAG 機制、ChromaDB 等尖端技術
🚀 建構自己的 AI 工具：模組化設計讓擴充變得超級簡單
📊 處理大量金融資料：自動化分析讓你事半功倍
🤖 體驗 LLM 的強大能力：看見人工智慧在金融分析的實際應用

如果你對這個專案感興趣，非常歡迎：

⭐ 給專案一個 Star
🍴 Fork 後進行自己的客製化
🐛 提出 Issue 回報問題或建議新功能
🔧 貢獻 Pull Request 一起改善專案

記住，投資有風險，AI 分析僅供參考，實際投資決策還是要謹慎評估！

📚 延伸閱讀

本文介紹的專案靈感來源於 TradingAgents，感謝開源社群的貢獻！

🏷️ 相關標籤與關鍵字

技術標籤: #LLM #ChatGPT應用 #LangGraph #RAG機制 #ChromaDB #AI工具 #自動化 #開源專案\

應用標籤: #技術分析 #金融資料 #股票分析 #投資工具 #量化交易 #PDF摘要\

程式語言: #Python #Docker #Azure #OpenAI

🔍 常見問題 FAQ

Q: 這個 AI 工具需要什麼技術背景？

A: 基本的 Python 知識即可開始使用。進階功能需要了解 LangGraph 和 RAG 機制。

Q: 可以分析台股嗎？

A: 目前支援全球主要市場，台股代碼請使用 .TW 後綴（如 2330.TW）。

Q: 這個自動化系統的準確度如何？

A: 作為 AI 工具，提供參考建議，實際投資請搭配個人判斷。

Q: 可以擴充 PDF 摘要功能嗎？

A: 是的！專案架構支援擴充，可加入財報 PDF 分析功能。

本文詳細介紹了 LLM Stock Team Analyzer 這個創新的開源專案，展示了如何結合 LangGraph、RAG 機制、ChromaDB 等技術，打造一個完全自動化的股票分析 AI 工具。無論你是想學習技術分析、尋找實用的金融資料處理工具，還是對 ChatGPT 應用開發有興趣，這個專案都能提供豐富的學習價值。