。大模型不是股神，也不会算命。把它当成「会读数据、会写摘要、会找逻辑漏洞的研究助理」，它才好用。

今天我们就从一只股票的量价数据出发，搭一个

：角色限定 + 输入格式化 + 任务明确化 + 输出约束。让 AI 帮你把数据翻译成逻辑，而不是替你做梦。

一、先摆正预期：LLM 能干什么、不能干什么

AI 是副驾驶，方向盘在你手里。

下面这套模板我把它叫作「IT 化金融 Prompt」，专治 AI 瞎编和答非所问。

【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。

三、Python 实战：从数据到 Prompt


# 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("LICENCE-66D8-9F96-0C7F0FBCD073")  # 演示证书，演示证书（读者复制即用，无需替换）
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)

以贵州茅台（600519）2026-02-09 至 2026-08-10 共 120 个交易日为例：


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%）

LLM 输出摘要（无 key 时 demo 输出）：

有数字、有定性、有否定、有警示

大模型是生成式 AI，不是预测式 AI。你问它明天涨跌，它要么拒绝回答，要么胡编。正确问法是：

「基于这些数据，有哪些逻辑矛盾/误读陷阱？」

坑 2：不给数据，让它「看着办」

AI 会脑补。你不给具体财务数据，它就敢编。正确做法是：把数据格式化后贴进 Prompt，并加一句「所有结论必须基于以上输入数据」。

AI 可以帮你「读得快」，但不能帮你「做决定」。交易信号必须来自你验证过的规则（比如双均线金叉、量价背离），AI 只能帮你解释信号、检查逻辑。

：用 Python 批量拉取 A 股公告，给公告标题打情绪标签，看看「利好公告」后面股价到底怎么走。

：本文仅供技术学习交流，不构成投资建议。历史数据不代表未来收益，据此操作风险自担。

问题不在 AI，而在提问方式。大模型不是股神，也不会算命。把它当成「会读数据、会写摘要、会找逻辑漏洞的研究助理」，它才好用。

【AI+量化实战 #01】AI不是股神？用大模型辅助量化研究的正确姿势与Prompt框架

人工智能

编程语言

把大模型当量化研究助理，用四段式Prompt（角色限定+输入格式化+任务明确化+输出约束）将K线数据翻译成逻辑摘要，附Python可跑代码与避坑指南，不预测股价只做事实梳理。

数据分析

DeepSeek

ChatGPT

Python

文章

问答

视频

教程

学习中心

腾讯云实验室

直播

竞赛

腾讯云代码分析专区

腾讯iOA零信任安全管理系统专区

腾讯云架构师技术同盟交流圈

腾讯云数据库专区

腾讯云智能顾问专区

腾讯云原生专区

腾讯混元专区

腾讯云TCE专区

腾讯云Lighthouse专区

腾讯云HAI专区

腾讯云Edgeone专区

腾讯云存储专区

腾讯云智能专区

腾讯轻联专区 

腾讯云开发专区

TAPD专区

腾讯轻量云游戏服专区

EdgeOne AI 安全实战专区

腾讯云最具价值专家

腾讯云架构师技术同盟

腾讯云创作之星

腾讯云开发者先锋

腾讯云代码助手

云原生构建

TAPD 敏捷项目管理

Cloud Studio

SDK中心

API中心

命令行工具

涵盖代码开发、场景应用、自动测试全流程，助你从零构建专属AI助手

一站式MCP教程库，解锁AI应用新玩法

聚焦“写作效率、视觉美观与运行性能”三方面进行全面升级，为您提供更高效、稳定的创作环境

社区富文本&Markdown编辑器全新改版上线，欢迎大家体验!

诚挚邀请您参与本次调研，分享您的真实使用感受与建议。您的反馈至关重要，感谢您的支持与参与！

【AI+量化实战 #01】AI不是股神？用大模型辅助量化研究的正确姿势与Prompt框架

【AI+量化实战 #01】AI不是股神？用大模型辅助量化研究的正确姿势与Prompt框架

社区

活动

圈层

关于

腾讯云开发者

热门产品

热门推荐

更多推荐