在投资这条路上个人投资者和机构之间最大的差距往往不是信息差而是把信息处理成决策依据的能力差。一个散户每天面对的是几千条新闻、几百份公告、几十页财报靠人肉刷信息、凭感觉拍脑袋确实很难稳定获利。我这两年一直在用 AI 搭建自己的个人投研系统从最开始用大模型帮我读财报到后来把数据抓取、信息聚合、情绪分析、风险预警串成一套半自动化的投研流水线踩了不少坑也跑出了些真正能用的东西。这篇就把整套系统怎么搭、模块怎么设计、坑在哪里一次聊透。1. 先聊清楚个人投研到底缺什么1.1 投研的四个核心环节很多人以为投研就是“选股”其实完整的个人投研流程至少包含四个环节信息获取、信息处理、分析推理、持续跟踪。信息获取行情数据、公司公告、财报、新闻、行业动态、政策变化都得在第一时间拿到。信息处理光拿到没用得能快速理解。比如一份 200 页的财报核心变化在哪营收结构有什么异常现金流为什么恶化这些需要提炼成结构化的要点。分析推理把处理过的信息放进估值模型、财务指标、行业对比里形成逻辑链条和判断。持续跟踪投资不是一次性决策持仓之后要持续关注公告、价格异动、基本面变化再决定加仓、减仓还是退出。传统做法是手动完成这四个环节但人的精力有限。我做过统计正常覆盖 30 只自选股每天光看公告和新闻就能耗费两三个小时更别提深入做财报分析。这里面的痛点不是“信息不够”而是“处理信息的能力不够”。1.2 AI 补的是哪种能力AI 在这个场景里最大的价值不是像分析师那样给出“买入还是卖出”的结论而是把大量非结构化、碎片化信息快速变成结构化、可验证的分析素材。换句话说AI 是帮你把“情报”加工成“依据”最终拍板的还是你自己。大模型在处理文本上的能力尤其适合投研财报摘要、公告关键点提取、新闻情绪判断、管理层表述变化分析这些都是大模型的高频强项。再加上 Python 脚本能把数据源抓下来喂给模型整个链路就从“人肉刷信息”变成“系统自动喂料、模型自动分析、人只做关键判断”。这套系统适合谁适合有一定交易经验、认可基本面研究价值、愿意花时间搭工具的个人投资者。完全零基础也没关系下文会尽量把每个步骤讲清楚很多模块你稍微改改就能直接用。2. 个人投研系统的架构与工具选型2.1 我采用的四层架构先别急着写代码脑子里得有架构。我用的个人投研系统分四层每层职责清晰改动一层不会牵连其他层数据层负责获取和存储原始数据包括行情、财报、公告、新闻、宏观指标。处理层负责数据清洗、格式转换、文本解析把原始数据变成“模型能看懂”的结构化输入。分析层调用大模型做财报解读、情绪判断、风险识别、逻辑推演输出分析结果。应用层把分析结果汇总成日报、周报、预警通知通过微信、邮件等方式推送到用户手里。这个分层思路是从软件开发借来的但用在个人系统里同样有效。最直接的收益是如果大模型服务换了你只需要改分析层数据层不用动如果你想换数据源也只需要改数据层分析逻辑完全不用重写。2.2 工具清单与选型理由编程语言Python。没有悬念金融数据处理领域 Python 生态最成熟第三方库丰富社区问答资料多遇到问题基本都能搜到解决方案。行情与财务数据akshare便于获取A股行情、财务指标等公开数据。免费、无需复杂注册、接口覆盖面广是个人搭系统比较顺手的起点。新闻与公告RSS 公开公告接口。RSS 能订阅主流财经媒体的关键栏目公告数据可以通过数据商提供的公开接口获取具体视实际情况选择。大模型服务国内可用的多模态大模型 API。比如智谱、通义千问、DeepSeek 等按量付费对个人使用来说成本很低。我主要用它们做文本解析和逻辑推理。工作流编排自写 Python 脚本。个人系统不需要上重型的 Agent 框架很多流程用 Python 的定时任务加 HTTP 请求就能串起来越简单越不容易坏。数据存储SQLite。开始阶段绝对够用等数据量大了再迁到 MySQL 或 PostgreSQL 不迟。为什么刻意选这些“有点朴素”的工具因为个人投研系统的第一目标是稳定可持续而不是技术炫技。我见过有人一上来就上全套分布式框架加向量数据库结果两周后数据源一变整个系统就瘫了。架构越简单越容易维护越能坚持用下去。2.3 两个提前要做的关键判断选型之前先回答两个问题能省掉后面大量返工第一你的系统是“决策辅助”还是“自动决策”我的定位是决策辅助所有 AI 输出都只是参考材料。这个定位决定了后面提示词设计和风险控制的方向——不追求让 AI 做最终选择而是逼它把分析过程、数据来源讲清楚。第二你关心的标的是“多”还是“深”如果你主要盯着少量公司做深度跟踪系统就重在财报解析和公告监控如果你需要从全市场筛选机会系统就得加重数据扫描和初步过滤的模块。先想清楚覆盖面再定功能优先级。3. 核心模块搭建实操3.1 数据层把行情、公告、新闻自动拉下来数据层是整个系统的基础也是第一个要动手的部分。我把它拆成三条采集路径行情数据用 Python 里的数据接口库直接拉取日线行情、实时报价和基础财务数据。核心代码非常简单import akshare as ak # 获取股票日线行情 df ak.stock_zh_a_hist(symbol600519, perioddaily, start_date20240101, end_date20241231, adjustqfq) print(df.tail())这段代码能拿到指定股票的历史日线复权方式选“前复权”方便做技术面回看。实际使用中我会把数据缓存到本地 SQLite避免每天重复请求、触发接口频率限制。公告数据公告是投研信息里含金量最高的文本数据。个人获取公告文本的常见方式是通过财经数据网站或第三方数据商提供的公开接口也可以用数据商公开的 API 做定时抓取。抓到后先存原始文档再提取关键字段公告时间、公告类型、标题、正文摘要。新闻数据我会用 RSS 订阅几个主流财经门户的自选股相关新闻加上搜索引擎的关键词提醒。每天早上定时拉取前一天的新闻列表存入数据库供分析层调用。实操中这里最容易踩的坑是数据结构不统一。不同来源的数据字段名可能不一样有的是“close”有的是“收盘价”。我会在入库前统一做一次字段重命名和类型转换全部按自定的标准格式存储。宁可多写几个转换函数也别在后续分析里反复处理脏数据。3.2 分析层让 AI 把财报读成结构化判断财报解析是整个系统里最出彩、也最考验细节的部分。一份年报动辄几百页人看完要一晚上大模型配合解析流程可以压缩到几分钟。我的做法是“分块摘要 关键指标抽取”两步走。第一步把财报 PDF 转成纯文本按章节切块业务概要、经营情况讨论、财务数据、风险提示等。这样做是因为大模型原生输入长度有限而且单个长文本容易造成信息丢失分段处理反而更精准。第二步给模型设计结构化提示词对每个章节做摘要再抽取关键数据。这里我用的提示词模板大致是你是资深财务分析师。请阅读以下财报章节内容完成三个任务 1. 用三句话概括本部分核心内容 2. 提取本部分涉及的关键财务数据或业务数据以JSON输出 3. 指出任何异常变动或风险信号。 要求所有结论必须基于原文如果原文未提及相关数据输出null不要猜测。这是供投资决策参考的信息整理严禁编造数据。关键就在于最后这句“严禁编造数据”。大模型有幻觉倾向如果提示词不强调它会一本正经地补出不存在的数据。输出 JSON 结构的好处也很直接——下游可以直接解析入库做同环比对比。实际效果上AI 最擅长抓出来的是几个东西营收结构的变化哪个业务板块在增长哪个在下滑、毛利率和净利率的趋势、经营现金流和净利润的匹配程度、应收账款异常放大。这些都是基本面研究里最常见的信号AI 抓取的速度确实比人快很多。3.3 情绪分析把新闻和舆情变成数值除了硬财务数据市场情绪也直接影响股价走势。这里我用大模型给新闻标题和正文做情感倾向判断利好、利空、中性置信度打分。我的实现思路是每天早上把前一天抓到的自选股新闻批量喂给模型让模型输出三个字段sentimentpositive/negative/neutral、confidence0-1、summary一句话摘要。然后我按公司维度做一个七日滚动情绪均值数值大于 0.6 视为偏多低于 0.4 视为偏空。这个情绪指标虽然粗糙但胜在量化可跟踪。我曾经回看了过去三个月的输出发现情绪分数和短期板块走势相关性意外地高。尤其是在没有重大基本面变化的情况下情绪急转往往是消息面变盘的先兆用来自我预警足够了。注意大模型读新闻也会受标题党影响。如果新闻标题自带夸张情绪模型的判断会失真。解决办法是同时喂标题和正文前 300 字让模型基于实质性内容判断而不只是看标题。3.4 应用层每天 8 点自动推送投研日报模块都跑通之后我把它串成一条自动工作流。用系统的定时任务功能每天早晨 7 点触发脚本拉取自选股最新行情、公告、新闻调用分析层的财报和情绪解析模块汇总结果调用大模型生成一篇结构化投研日报把日报推送到指定渠道。日报模板由 AI 按固定格式生成【今日投研日报 2025-06-10】 一、市场概况三大指数/重点板块今日表现 二、自选股异动涨幅超过3%或跌幅超过3%的标的附可能原因 三、重要公告今日发布的公告及 AI 解读 四、舆情情绪各标的情感评分及较昨日变化 五、风险预警触发预警规则的事项 六、综合研判基于以上信息的可能影响推演AI辅助仅供参考这里有个经验之谈日报一定要用固定模板不能每次让模型自由发挥。固定模板的好处是信息密度可控、对比方便——今天的日报和昨天的日报专业地做对比你才能发现变化趋势。自由发挥的 AI 日报三天之后你就懒得看了因为格式乱、重点散扫一眼抓不到变化。推送渠道我用的是微信通知用第三方推送服务把文本发到手机上实现成本和稳定性都不错。你完全可以用邮件、钉钉、飞书提醒代替关键在于“主动推送”而不是“自己去查”。3.5 风险预警规则引擎与 AI 结合投研系统最怕的是“该看的时候没看到”。所以我的系统里专门加了一个风险预警模块采用规则引擎加 AI 判断双重机制。规则引擎处理可量化的指标单日跌幅超过 5%、连续三天资金净流出、质押比例超过 50%、商誉占总资产比例超过 20%、ST 风险这些通过简单数值比较就能触发。AI 判断处理需要上下文理解的信号公司公告里出现“业绩预告修正”“高管减持”“资产减值”等关键词新闻里连续出现负面情绪评分低于 0.3 的报道财报摘要中出现审计意见异常等表述。两种信号触发的预警都会进日报的“风险预警”区同时系统会单独推送一条实时提醒。在实际使用过程中这种做法的价值越来越明显——很多时候规则引擎先响起再配合 AI 的分析说明决策速度和依据感都比以前“盯盘一分钟后悔一整天”的模式强太多。4. 一次完整的 AI 投研实战演示4.1 梳理一家公司需要哪些数据理论讲再多不如跑一次完整流程。下面我用一个模拟场景演示整个系统怎么工作。假设我要分析一家消费制造类公司系统会自动收集的数据包括最近 20 个交易日的行情数据最近一份年报和一季报过去 30 天的相关新闻和公告行业可比公司的三组数据PE、营收增速、毛利率。这些数据在数据层都是自动入库存好的分析时只需要从库里取不用临时跑接口。4.2 AI 分析的全过程首先行情模块输出近 20 日股价累计下跌 4.2%成交量较前 20 日下降 15%呈现缩量阴跌走势。这个数据本身没有方向性但提示“市场关注度下降”。然后财报解析模块读出最近年报的核心变化营业收入同比增长 8%但第四季度单季增速只有 1.2%明显失速毛利率 32%同比下降 3 个百分点说明成本压力在加大经营现金流 5.3 亿相比净利润 4.8 亿有约 0.5 亿的正向差说明利润质量尚可应收账款同比增长 23%远快于收入增速这是需要留意的信号点。情绪模块给出舆情研判过去 30 天新闻情感偏中性负面新闻主要集中在一个新产品的消费者投诉上正面信息大多来自券商研报的“增持”评级。模型自动摘取的三条核心新闻是“公司新品反馈不及预期”“原材料价格上行”“机构调研次数增加”。综合研判模块把以上素材合成一段逻辑推演收入增速放缓叠加毛利率走低短期基本面下修概率偏大舆情中性偏负面市场关注度下降但经营现金流仍健康不存在资金链风险。AI 给出的定性结论是“短期承压基本面尚未恶化建议继续跟踪季度毛利率变化”。系统自动生成了完整日报推送过来。4.3 复盘这套流程的价值如果你让我不看系统纯手动做同样的事情拿到同样多信息至少需要三四小时。这套系统在 15 分钟内跑完而且输出的信息密度和条理性远高于我自己翻资料的笔记。但注意AI 全程没有给出“买还是卖”的指令它给的是决策所需的分析链条。真正决定加仓还是减仓的是我自己因为只有我知道自己的仓位成本、持有周期和风险承受能力。这一点我始终不敢交给任何模型也不建议任何人完全交给模型。5. 避坑实录与常见问题排查5.1 大模型幻觉是第一大敌人前面提过的幻觉问题在实际系统中出现频率比想象中高。最典型的是 AI 在财报摘要里“补”营收数据、在新闻分析里“脑补”事件因果。比如有一回模型读到“公司回购股份”的公告直接推演成“管理层看好未来业绩”但这个逻辑并不成立回购也可能只是为稳定股价。我的排查和应对方案有三层提示词强制约束要求所有结论引用原文原文没有就不输出。数据交叉验证AI 提取的关键财务指标用一个单独的 Python 脚本从结构化数据接口直接计算再和模型输出做对比差异超过 1% 就触发告警。人工抽检每周随机挑两三份分析结果打开原始公告核验。这个没办法省用久了就形成对系统能力的信任边界知道哪些话能信几成。5.2 接口失效和数据延迟第三方数据接口说挂就挂这是个人系统最头疼的事情。我遇到过几次行情接口连续几天拉不到数据结果是接口收费策略调整。排查思路很简单先看是不是接口本身的权限或频率限制再看是不是本地缓存数据过期导致调用异常。日常运营建议把系统做得“容错”——拉取失败不要中断整个流程跳过该数据源并把错误记入日志下次运行再重试。模块独立设计在这一刻价值就体现出来了。另外免费数据源普遍有延迟问题日线数据通常要到当天收盘后一两小时才更新完整。做日报没影响但如果你想做盘中实时监控得使用付费数据源或券商提供的实时行情接口这部分按需选型即可。5.3 警惕过度依赖和模型偏见还有一类坑很难察觉大模型的分析会受到你提供素材的隐性影响。比如只把正面新闻喂给它它的情绪判断自然偏向乐观只拉短期数据它就倾向于得出短期结论甚至连提问方式都会影响答案。我现在的习惯是让系统每次输出附带“数据完整度提示”如果某个标的关键数据缺失比如没有最新财报模型必须在报告中明确标注“基于XX数据不足分析置信度有限”。这能最大程度避免系统给你一种“严谨分析的错觉”事实上素材不够时结论往往只是生成式模型的顺滑填充。5.4 一些提升稳定性的小细节所有数据请求做重试机制失败自动重试 2 次间隔 5 秒。大模型 API 调用做超时控制超时则跳过本次分析不影响其他模块。每次运行写操作日志快速定位是哪个环节出了问题。系统输出全用固定 schema前端和服务端调用全都解析 JSON 字段不回退到解析自然语言。6. 这套系统怎么持续迭代6.1 我的迭代路线供参考我是从单点功能开始逐步扩展的。第一阶段只做“财报摘要 PDF 解析”解决自己看财报效率低的问题第二阶段加入新闻抓取和情绪分析第三阶段把所有模块串成日报工作流第四阶段才加上风险预警和规则引擎。如果你刚起步建议不要一开始就追求“一站式的完美系统”。先跑通最简单的一条链路——比如“自动拉数据 大模型读财报摘要”用上一周找到感觉再逐步加模块。过早追求复杂架构一定会劝退自己。6.2 几点核心心得在使用这套系统一年多的过程中我最大的体会是AI 投研系统的本质不是“自动赚钱机器”而是“决策纪律的强制执行器”。它让你每天固定时间看到信息、按统一逻辑分析、对每项决策留有文字依据。这些习惯单独看都不稀奇但串在一起之后你就很难再回到“靠感觉拍脑袋”的模式。再分享一个我很看重的小技巧每次模型给出分析结论我都要求它同时输出“如果我的判断与结论相反最可能的原因是什么”。这个反向思考强迫 AI 从对立面审视逻辑链条往往能暴露一些被忽略的假设。作为一个实战营沉淀下来的固定模块这个功能带来的额外价值远超我的预期。把这条加入你的日报模板很快你就会发现自己的决策思考又多了一个让人安心的环节。从靠刷新闻到靠系统从凭感觉到凭依据中间差的不是一套工具的距离而是日复一日跑数据、查逻辑、验结论的过程。搭建这套系统的代码和流程说出来都不复杂难就难在坚持执行这套纪律并且始终把决策权留给自己。