AI不是股神？用大模型辅助量化研究的正确姿势与Prompt框架

【角色限定】
你是一位拥有 X 年 A 股量化研究经验的金融数据分析师，擅长把量价数据翻译成可验证的投资逻辑摘要。
你的回答必须基于以下输入数据，不做股价预测，不提供买卖建议。

【输入格式化】
股票代码：{code}
股票名称：{name}
数据区间：{start} 至 {end}，共 {n} 个交易日
最新收盘价：¥{close}
区间累计涨跌幅：{return}%
区间最大回撤：{drawdown}%
年化波动率：{volatility}%
20 日均线：¥{ma20}（最新价偏离 {pct20}%）
60 日均线：¥{ma60}（最新价偏离 {pct60}%）

【任务明确化】
请完成以下 3 项任务，每项用 2-4 句话：
1. 概括该股票在过去 n 个交易日的走势特征。
2. 基于均线位置，判断当前价格处于短期/中期趋势的什么位置，并说明这是否构成交易信号。
3. 列出 2-3 条投资者在看这段数据时最容易误读的陷阱。

【输出约束】
- 不输出买入/卖出/持仓建议。
- 不预测未来股价。
- 总字数控制在 250 字以内。

# 安装依赖（Python 3.8+）
pip install mairui pandas numpy requests

# 运行
python main.py

import os
from datetime import datetime, timedelta

import numpy as np
import pandas as pd
import requests
import mairui

DEMO_CODE = "600519"
DEMO_NAME = "贵州茅台"
HISTORY_DAYS = 120


def fetch_history(api, code, days):
    et = datetime.now()
    st = et - timedelta(days=days * 2)
    kline = api.stock_history(code, "d", "n", st=st.strftime("%Y%m%d"), et=et.strftime("%Y%m%d"))
    df = pd.DataFrame(kline)
    df["t"] = pd.to_datetime(df["t"])
    df = df.sort_values("t").tail(days).reset_index(drop=True)
    for col in ["o", "h", "l", "c", "v"]:
        df[col] = pd.to_numeric(df[col], errors="coerce")
    return df


def calc_metrics(df):
    close = df["c"]
    return {
        "sample_start": df["t"].iloc[0].strftime("%Y-%m-%d"),
        "sample_end": df["t"].iloc[-1].strftime("%Y-%m-%d"),
        "days": len(df),
        "latest_close": round(close.iloc[-1], 2),
        "total_return_pct": round((close.iloc[-1] / close.iloc[0] - 1) * 100, 2),
        "max_drawdown_pct": round((close / close.cummax() - 1).min() * 100, 2),
        "annual_volatility_pct": round(close.pct_change().std() * np.sqrt(252) * 100, 2),
        "ma20": round(close.rolling(20).mean().iloc[-1], 2),
        "ma60": round(close.rolling(60).mean().iloc[-1], 2),
        "price_vs_ma20_pct": round((close.iloc[-1] / close.rolling(20).mean().iloc[-1] - 1) * 100, 2),
        "price_vs_ma60_pct": round((close.iloc[-1] / close.rolling(60).mean().iloc[-1] - 1) * 100, 2),
    }


def build_prompt(code, name, metrics):
    return f"""【角色限定】
你是一位拥有 10 年 A 股量化研究经验的金融数据分析师，擅长把量价数据翻译成可验证的投资逻辑摘要。
你的回答必须基于以下输入数据，不做股价预测，不提供买卖建议，只输出事实梳理与风险提示。

【输入格式化】
股票代码：{code}
股票名称：{name}
数据区间：{metrics['sample_start']} 至 {metrics['sample_end']}，共 {metrics['days']} 个交易日
最新收盘价：¥{metrics['latest_close']}
区间累计涨跌幅：{metrics['total_return_pct']}%
区间最大回撤：{metrics['max_drawdown_pct']}%
年化波动率：{metrics['annual_volatility_pct']}%
20 日均线：¥{metrics['ma20']}（最新价偏离 {metrics['price_vs_ma20_pct']}%）
60 日均线：¥{metrics['ma60']}（最新价偏离 {metrics['price_vs_ma60_pct']}%）

【任务明确化】
请完成以下 3 项任务，每项用 2-4 句话：
1. 用一句话概括该股票在过去 {metrics['days']} 个交易日的走势特征（趋势/震荡/回撤修复）。
2. 基于均线位置，判断当前价格处于短期/中期趋势的什么位置，并说明这是否构成交易信号（明确说"不是信号"也可以）。
3. 列出 2-3 条投资者在看这段数据时最容易误读的陷阱（例如把波动当趋势、把回撤当利空等）。

【输出约束】
- 不输出买入/卖出/持仓建议。
- 不预测未来股价。
- 总字数控制在 250 字以内。
"""


def call_llm_or_fallback(prompt):
    key = os.environ.get("LLM_API_KEY", "").strip()
    base = os.environ.get("LLM_BASE_URL", "").rstrip("/")
    model = os.environ.get("LLM_MODEL", "deepseek-chat")
    if key and base:
        resp = requests.post(
            f"{base}/chat/completions",
            headers={"Authorization": f"Bearer {key}", "Content-Type": "application/json"},
            json={"model": model, "messages": [{"role": "user", "content": prompt}]},
            timeout=60,
        )
        resp.raise_for_status()
        return resp.json()["choices"][0]["message"]["content"]
    # 未配置 key 时返回 demo 分析，保证脚本可运行
    return "[LLM key 未配置，这里是规则化 demo 输出]\n..."


api = mairui.Client(os.environ["MAIRUI_LICENCE"])
df = fetch_history(api, DEMO_CODE, HISTORY_DAYS)
metrics = calc_metrics(df)
prompt = build_prompt(DEMO_CODE, DEMO_NAME, metrics)
answer = call_llm_or_fallback(prompt)
print(answer)

最新收盘价：¥1348.86
区间累计涨跌幅：-11.55%
区间最大回撤：-23.37%
年化波动率：23.93%
20 日均线：¥1305.56（偏离 +3.32%）
60 日均线：¥1269.04（偏离 +6.29%）