基于Ollama和Streamlit的实时AI股票分析助手

在为一个金融科技项目制作股票数据可视化时，我产生了这样的想法：如果数据能够用简单的英语来解释自己会怎样？就这样，这个小项目开始了。利用LLM（如Llama 3）提供的洞察，这个脚本每分钟获取股票数据，分析趋势，并提供简单的解读。再也不用费劲看图表了——就像是有一个个人股票顾问实时解读市场，告诉你发生了什么。

在我们开始写代码之前，你需要安装几个关键库，让这个项目成为可能。我们将使用Streamlit来构建界面，使用yfinance来获取股票行情，并使用Ollama来生成自然语言解读。

    import streamlit as st  # 导入streamlit用于构建Web应用界面
    import yfinance as yf  # 导入yfinance用于获取金融数据
    import pandas as pd  # 导入pandas用于数据分析
    import schedule  # 导入schedule用于任务调度
    import time  # 导入time用于时间处理
    import ollama  # 导入ollama，此处假设为自定义模块，具体功能需参考文档
    from datetime import datetime, timedelta  # 导入datetime和timedelta用于日期和时间处理

接下来，我们获取Apple（AAPL）和道琼指数（DJI）的历史股票行情。我们将使用yfinance来获取前一天每分钟的股票数据。

    # 以下代码用于获取苹果公司（AAPL）和道琼斯指数（DJI）的最新交易日每分钟的历史数据  
    stock = yf.Ticker("AAPL")  
    dow_jones = yf.Ticker("^DJI")  
    data = stock.history(period="1d", interval="1m")  
    dow_data = dow_jones.history(period="1d", interval="1m")

现阶段，我们已经有了股票数据，并将用它来做进一步分析。为了演示目的，我使用了最新的交易日数据。你可以轻松地修改这里，直接从API获取实时股票信息，来处理实时市场动态。

现在，让我们通过每分钟处理一个股票数据点的方式来模拟实时更新。我们将计算诸如滚动平均值和动量等指标来理解市场趋势。

    # 全局变量用于存储滚动数据  
    rolling_window = pd.DataFrame()  
    dow_rolling_window = pd.DataFrame()  
    daily_high = float('-inf')  
    daily_low = float('inf')  
    buying_momentum = 0  
    selling_momentum = 0  

    # 每分钟处理一次新的股票更新的函数  
    def process_stock_update():  
        global rolling_window, data, dow_rolling_window, dow_data  
        global daily_high, daily_low, buying_momentum, selling_momentum  

        if not data.empty and not dow_data.empty:  
            # 模拟接收AAPL和道琼斯的新数据点  
            update = data.iloc[0].to_frame().T  
            dow_update = dow_data.iloc[0].to_frame().T  
            data = data.iloc[1:]  # 移除已处理的行  
            dow_data = dow_data.iloc[1:]  

            # 将新数据点追加到滚动窗口  
            rolling_window = pd.concat([rolling_window, update], ignore_index=False)  
            dow_rolling_window = pd.concat([dow_rolling_window, dow_update], ignore_index=False)  

            # 更新当天的最高和最低价格:  
            daily_high = max(daily_high, update['Close'].values[0])  
            daily_low = min(daily_low, update['Close'].values[0])  

            # 计算动量值:  
            如果滚动窗口的长度大于等于2:  
                price_change = update['Close'].values[0] - rolling_window['Close'].iloc[-2]  
                if price_change > 0:  
                    buying_momentum += price_change  
                else:  
                    selling_momentum += abs(price_change)  
    }

每个新数据点都会被添加到一个用于5分钟分析的滚动时间窗口中。每日的最高/最低值和价格趋势会根据连续数据点的变化进行更新。

为了分析实时数据，我们计算移动平均、价格波动、成交量变化和一些技术指标，如指数移动平均线（EMA）、布林带和相对强弱指标（RSI）。以下是它们的工作原理：

• 指数移动平均线 (EMA): 更侧重近期价格，以识别短期趋势。
• 相对强弱指数 (RSI): 衡量价格变动的速度，并在 0 到 100 之间波动，以识别超买或超卖状态。
• 布林带 (Bollinger Bands): 通过上、下带围绕移动平均线，帮助评估市场波动性。

    def calculate_insights(window, dow_window):  
        if len(window) >= 5:  
            # 5分钟滚动平均值  
            rolling_avg = window['Close'].rolling(window=5).mean().iloc[-1]  

            # 指数平滑移动平均（EMA）  
            ema = window['Close'].ewm(span=5, adjust=False).mean().iloc[-1]  

            # 波林格带（使用5个周期窗口）  
            std = window['Close'].rolling(window=5).std().iloc[-1]  
            bollinger_upper = rolling_avg + (2 * std)  
            bollinger_lower = rolling_avg - (2 * std)  

            # 相对强弱指数（RSI）计算  
            delta = window['Close'].diff()  
            gain = delta.where(delta > 0, 0)  
            loss = -delta.where(delta < 0, 0)  
            avg_gain = gain.rolling(window=14, min_periods=1).mean().iloc[-1]  
            avg_loss = loss.rolling(window=14, min_periods=1).mean().iloc[-1]  
            rs = avg_gain / avg_loss if avg_loss != 0 else float('nan')  
            rsi = 100 - (100 / (1 + rs))  

            # 再次计算RSI  
            delta = window['Close'].diff()  
            gain = delta.where(delta > 0, 0)  
            loss = -delta.where(delta < 0, 0)  
            avg_gain = gain.rolling(window=14, min_periods=1).mean().iloc[-1]  
            avg_loss = loss.rolling(window=14, min_periods=1).mean().iloc[-1]  
            rs = avg_gain / avg_loss if avg_loss != 0 else float('nan')  
            rsi = 100 - (100 / (1 + rs))  

            # 计算道琼斯指数的滚动平均值  
            dow_rolling_avg = dow_window['Close'].rolling(window=5).mean().iloc[-1]  

            market_open_duration = get_market_open_duration(window)  
            if int(market_open_duration) % 5 == 0:  # 每5分钟触发一次LLM事件  
                get_natural_language_insights(  
                    rolling_avg, ema, rsi, bollinger_upper, bollinger_lower,  
                    price_change, volume_change, dow_rolling_avg, market_open_duration,   
                    dow_price_change, dow_volume_change, daily_high, daily_low,   
                    buying_momentum, selling_momentum  
                )

为了让这个项目更互动，我们可以每5分钟让Llama 3模型生成自然语言摘要，从而让项目更互动。

    def get_natural_language_insights(  
        rolling_avg, ema, rsi, bollinger_upper, bollinger_lower,  
        price_change, volume_change, dow_rolling_avg, market_open_duration, dow_price_change, dow_volume_change,   
        daily_high, daily_low, buying_momentum, selling_momentum, timestamp  
    ):  
        prompt = f"""  
        您是一名专业的股票经纪人。苹果公司的股票5分钟滚动平均值为{rolling_avg:.2f}。  
        指数移动平均线（EMA）为{ema:.2f}，相对强弱指标（RSI）为{rsi:.2f}。  
        布林带的上轨为{bollinger_upper:.2f}，下轨为{bollinger_lower:.2f}。  
        价格变动为{price_change:.2f}，成交量变动为{volume_change}。  
        道琼斯指数价格变动为{dow_price_change:.2f}，成交量变动为{dow_volume_change}。  
        同时，道琼斯指数的5分钟滚动平均值为{dow_rolling_avg:.2f}。  
        市场已开放了{market_open_duration:.2f}分钟。  
        今日最高价为{daily_high:.2f}，最低价为{daily_low:.2f}。  
        买入动量为{buying_momentum:.2f}，卖出动量为{selling_momentum:.2f}。  
        根据这些数据，提供当前股票趋势和总体市场情绪的见解。  
        见解应不超过100字，且不应包含介绍。  
        """  
        response = ollama.chat(  
            model="llama3",  
            messages=[{"role": "user", "content": prompt}]  
        )  
        response_text = response['message']['content'].strip()  
        print("自然语言见解:", response_text)

此功能利用过去5分钟的技术指标和趋势，用简单的英语总结股票的表现。

现在让我们用Streamlit搭建一个简单的UI，实时显示股票更新和分析。

# 下列代码用于在聊天界面中显示时间戳和响应文本。
# `message` 是一个聊天消息对象，`timestamp` 是时间戳，`response_text` 是响应文本。
message = st.chat_message("assistant")  
message.write(timestamp)  
message.write(response_text)

在命令行中输入 streamlit run app.py 来运行应用程序。

就这样，你就可以打造你自己的实时的股票投资顾问了！

这是一个专注于最近一个交易日趋势的原型项目。可以通过增加历史数据、新闻整合或高级模型，如时间序列神经网络，来改进它。这里有一些改进的建议。

1. 历史数据整合：目前，该应用仅处理前一天的交易数据。你可以通过整合数周或数月的滚动历史数据来增强功能。
2. 新闻整合：股票走势经常受到新闻事件的影响。添加实时新闻源可以提供更好的背景支持。
3. 高级时间序列预测：你可以通过整合时间序列分析的神经网络进一步提高预测准确性，从而获得更深入的洞察。
4. 自定义警报：实现基于重要股票变动或如RSI等指标的自定义警报，从而让这个应用更适合日内交易者使用。

完整的源代码和Jupyter笔记本可以在GitHub仓库上找到。如果您有任何关于优化提示语或改进的想法，欢迎随时联系交流。

感谢你加入我们的社区！在你离开前：

• 👏 给这个故事鼓掌并关注作者 👉
• 📰 在 InsiderFinance Wire 查看更多内容
• 📚 参加我们的 免费大师课
• 📈 了解强大的交易工具