AI股票研报详细教程5个开源项目搭出你的投研团队

Kelvin7787 曝光 · 160 收藏

以前研究一只股票，你可能要同时打开东方财富、同花顺、雪球、TradingView、财报、券商研报、搜索引擎，再加一个 ChatGPT。

真正麻烦的不是没有信息，而是：

信息太多，却缺少一套固定的研究流程。

现在 GitHub 上已经出现了一批非常有意思的 AI 投资研究项目。

比较值得研究的 5 个分别是：

  1. Serenity Skill：产业链和供应链瓶颈研究
  2. TradingAgents：多 Agent 模拟专业交易团队
  3. UZI-Skill：22 维个股深度分析 + 投资流派评审
  4. Buffett Skills：巴菲特价值投资体系
  5. QuantDinger：AI 策略生成、回测、模拟盘和自动化交易

它们并不是五个功能重复的股票分析工具。

如果把它们组合起来，基本可以覆盖：

产业研究 → 个股筛选 → 多空辩论 → 基本面研究 → 价值评估 → 风险排查 → 策略验证 → 回测

一、5 个项目分别负责什么

二、Serenity Skill：先找产业链瓶颈

项目：muxuuu/serenity-skill

GitHub：<https://github.com/muxuuu/serenity-skill>

Serenity Skill 的思路和普通股票分析工具不太一样。

它不是输入股票代码以后直接看 PE、K 线和估值，而是先从产业趋势开始。

例如：

AI 数据中心需求爆发

继续往下拆：

AI 数据中心、GPU、服务器、光模块、交换机、先进封装、PCB、电源、液冷、数据中心建设

接下来重点研究：

供应商数量、扩产难度、客户认证周期、技术壁垒、材料纯度、设备产能、替代难度、客户依赖、供需紧张程度

核心就是寻找产业链 Bottleneck，也就是瓶颈。

一个行业爆发，并不意味着产业链上的所有公司都会同样受益。真正值得继续研究的，往往是需求增加以后短时间很难扩产、很难替代的环节。

Serenity 怎么用

仓库中包含 SKILL.md、references/、assets/、scripts/、examples/、agents/ 等内容，可用于支持 Agent Skills 的环境。

例如可以这样提问：

用 serenity-skill 深度研究 AI 半导体产业链。 先拆产业链，再寻找最难扩产、最难替代、 认证周期最长的环节。 最后找出 5 家值得继续研究的上市公司，并给出： 1. 产业链位置 2. 核心瓶颈 3. 客户情况 4. 证据 5. 风险 6. 为什么值得继续研究

Serenity 最有价值的地方不是急着告诉你买什么，而是先帮你确定应该研究什么。

三、TradingAgents：让多个 AI 像投研团队一样讨论股票

项目：TauricResearch/TradingAgents

GitHub：<https://github.com/TauricResearch/TradingAgents>

TradingAgents 试图模拟真实交易公司的组织方式。

它不是让一个 AI 从头分析到尾，而是让不同 Agent 分工，例如：

基本面分析师 情绪分析师 新闻分析师 技术分析师 ↓ 多头研究员 空头研究员 ↓ 研究经理 ↓ Trader ↓ 风险管理团队 ↓ Portfolio Manager

其中很有意思的一点是多空辩论。

多头 Agent 会寻找继续上涨的逻辑，空头 Agent 则专门寻找估值、竞争、增长预期、客户集中度等风险，最后再由研究和风险管理角色汇总。

这能减少单一模型顺着用户问题给结论的问题。

TradingAgents 安装

git clone https://github.com/TauricResearch/TradingAgents.git cd TradingAgents

建议创建 Python 虚拟环境，并按照项目当前 README 安装依赖、配置模型和数据源。

Python 调用的核心逻辑类似：

from tradingagents.graph.trading_graph import TradingAgentsGraph from tradingagents.default_config import DEFAULT_CONFIG ta = TradingAgentsGraph( debug=True, config=DEFAULT_CONFIG.copy() ) _, decision = ta.propagate( "NVDA", "2026-01-15" ) print(decision)

项目支持多种模型提供商，实际可用范围以当前仓库 README 为准。

四、UZI-Skill：更接近开箱即用的 AI 股票研究系统

项目：wbh604/UZI-Skill

GitHub：<https://github.com/wbh604/UZI-Skill>

UZI-Skill 比较接近输入一只股票以后直接进行深度研究的工具。

项目支持 A 股、港股、美股，并针对多种 Agent 环境提供适配。

它的深度分析工作流包含多维数据采集，并结合 DCF、Comps、LBO、3-Statement、IC Memo、Porter 等研究方法，再交给不同投资风格规则进行评审。

可以理解成：

数据 ↓ 模型计算 ↓ 机构研究方法 ↓ 投资流派规则 ↓ Agent 定性分析 ↓ 综合判断 ↓ HTML 研报

投资流派评审

项目覆盖多种投资风格，包括经典价值、成长、宏观与对冲、技术趋势、中国市场投资风格等。

项目更新较快，具体评审规则和数量应以仓库当前版本为准。

陷阱检测

UZI-Skill 还提供风险检查能力，可用于寻找：

  • 财务异常、估值陷阱、资金异常、情绪异常、题材炒作、潜在风险、基本面与股价背离

例如可以让系统专门寻找一家公司可能存在的问题，而不是只生成看多理由。

UZI-Skill 安装

Claude Code 可根据仓库当前插件说明安装。

Codex 用户建议直接查看项目提供的 .codex/INSTALL.md。

也可以直接使用 CLI：

git clone https://github.com/wbh604/UZI-Skill.git cd UZI-Skill pip install -r requirements.txt python run.py 贵州茅台

最终可以生成包含综合评分、多空分歧、估值、敏感性分析、风险检查和可视化等内容的股票研究报告。

五、Buffett Skills：把巴菲特投资体系做成 Skill

项目：agi-now/buffett-skills

GitHub：<https://github.com/agi-now/buffett-skills>

这个项目的定位非常明确：

把巴菲特式价值投资框架做成 AI Skill。

它不太关心明天涨不涨，而更关注：

  • 这是不是一家好公司？
  • 企业能不能看懂？
  • 有没有护城河？
  • 管理层是否优秀？
  • 现金流怎么样？
  • 内在价值是多少？
  • 当前价格有没有安全边际？

主要参考模块包括：

Thinking Frameworks Investment Philosophy Business Moat Management Governance Financial Metrics Valuation & Capital Risk & Behavior Industry Playbooks

Buffett Skills 安装

可以克隆仓库：

git clone https://github.com/agi-now/buffett-skills /tmp/buffett-skills

然后按照仓库当前说明，把对应 Skill 放入 Agent 的 Skills 目录。

例如分析一家公司时，可以要求：

按照 Buffett Skill 深度分析苹果。 重点分析： 1. 能力圈 2. 护城河 3. 管理层 4. ROIC 5. Owner Earnings 6. 内在价值 7. 安全边际 8. 当前估值 9. 三个最大风险 10. 什么价格值得继续研究

这套体系更适合长期基本面和价值投资研究，而不是短线预测。

六、QuantDinger：把研究推进到策略和回测

项目：OpenByteInc/QuantDinger

GitHub：<https://github.com/OpenByteInc/QuantDinger>

QuantDinger 并不是一个普通 Agent Skill，而是一套开源 AI 自动化量化交易平台。

它覆盖的流程更接近：

AI Research ↓ Strategy Code ↓ Backtest ↓ Paper Trading ↓ Live Trading ↓ Monitoring

也就是：

AI 研究 → Python 策略 → 回测 → 模拟盘 → 实盘 → 监控

它承担的是整个 5 合 1 工作流的最后一层：用历史数据检验前面的投资逻辑。

例如你认为：

PE < 20 ROE > 15% 股价突破 MA60 成交量放大 AI 综合评分 > 80

是一套有效策略。

真正的问题不是这套逻辑听起来是否合理，而是：

过去几年按照这个规则执行，到底表现如何？

这时候应该回测，而不是继续让大模型生成观点。

QuantDinger 安装

普通用户可以优先考虑官方 Docker 部署方案。

前置条件通常包括：

Docker Docker Compose v2

具体安装命令、镜像和配置方式建议严格按照仓库当前文档执行，因为项目仍在持续更新。

先回测和模拟盘

QuantDinger 已经进入交易执行层，因此不要安装完成后直接接实盘。

更合理的顺序是：

AI 生成策略 ↓ 人工检查代码 ↓ 历史回测 ↓ 样本外测试 ↓ 模拟盘 ↓ 观察一段时间 ↓ 重新评估 ↓ 最后才考虑实盘

七、把 5 个项目真正串起来

假设现在研究 AI 数据中心。

第一步：Serenity

研究 AI 数据中心产业链，寻找未来可能出现供应瓶颈的环节。

AI 数据中心 ├── GPU ├── HBM ├── 光模块 ├── 电源 ├── 液冷 ├── PCB └── 先进封装

从产业链中寻找值得继续研究的公司。

第二步：UZI-Skill

把候选公司放进 UZI，执行多维数据、机构分析方法、投资流派评审、陷阱检测和估值分析。

第三步：TradingAgents

让基本面、技术、情绪、新闻等不同 Agent 分别研究，再进行 Bull vs Bear 多空讨论。

第四步：Buffett Skills

换一个长期价值投资角度，只研究企业质量、护城河、ROIC、Owner Earnings、内在价值和安全边际。

第五步：QuantDinger

最后把研究结论变成可执行规则：

ROIC > 15% FCF 连续增长 估值低于历史中位数 趋势突破 MA60 成交量确认

然后：

生成 Python Strategy ↓ 历史回测 ↓ 查看收益 ↓ 最大回撤 ↓ 胜率 ↓ 风险收益 ↓ 模拟盘

这一步相当于用数据验证前面的投资逻辑。

八、最终形成 AI 投研流水线

市场热点 ↓ Serenity Skill ↓ 产业链拆解 ↓ 寻找瓶颈 ↓ 候选公司 ↓ UZI-Skill ↓ 多维个股体检 ↓ 风险排查 ↓ TradingAgents ↓ 多 Agent 多空讨论 ↓ Buffett Skills ↓ 护城河 + 内在价值 + 安全边际 ↓ QuantDinger ↓ AI 生成量化策略 ↓ 回测 ↓ 模拟盘 ↓ 最终人工决策

九、普通人应该先装哪个？

不建议第一天就五个全部安装。

第一阶段：UZI-Skill

先体验输入一只股票进行完整 AI 股票研究。

第二阶段：Serenity Skill

把研究范围从这只股票怎么样，升级到这个行业到底哪条产业链最值得研究。

第三阶段：Buffett Skills

建立长期价值投资判断体系，减少只盯 K 线、热点和短期资金的倾向。

第四阶段：TradingAgents

建立多 Agent、多角色、多空讨论的研究流程。

第五阶段：QuantDinger

最后再进入策略、回测、模拟交易和自动化交易。

复杂度和风险都会明显增加。

十、别把 AI 股票研报当成买卖信号

这些项目再强，也不能把：

AI 看多

理解成：

股票一定上涨

AI 更适合做：

搜索 ↓ 整理 ↓ 计算 ↓ 交叉验证 ↓ 发现矛盾 ↓ 风险检查 ↓ 形成研究框架

真正应该保留给人的，是：

仓位 买卖 风险承受 资金管理 最终决策

特别是涉及实盘交易的平台，第一次使用一定应该先从回测和模拟盘开始。

最后

过去一个普通人想拥有类似的研究能力，往往需要行业研究员、基本面分析师、量化研究员、技术分析师、风险分析师、基金经理和程序员共同参与。

现在可以尝试在自己的电脑上搭建一套 AI 私人投研团队：

  • Serenity 帮你找产业链机会
  • UZI 帮你给公司做多维体检
  • TradingAgents 帮你建立多空讨论
  • Buffett Skills 帮你判断企业质量和安全边际
  • QuantDinger 把想法变成策略，再用历史数据检验

真正有价值的不是让五个 AI 一起告诉你买哪只股票，而是让五套不同的方法：

互相验证、互相找错、互相否定。

当产业逻辑、公司基本面、价值投资、多 Agent 风险审查和量化回测能够相互印证时，得到的就不再只是一段 AI 生成的股票分析，而是一套更接近真实投研流程的：

AI 投资研究系统。

提醒：AI 研报、估值和回测结果都不构成投资建议。模型可能出错，历史回测也不代表未来收益。涉及真实资金前，应独立核验数据、代码和风险。