一个整合券商数据、市场行情和社交媒体情绪的开源系统，利用大语言模型生成投资组合日报、情绪洞察和可视化报告，为个人投资者提供机构级的分析能力。

LLM驱动的智能投资组合分析系统：多源数据融合与自动化报告生成\n\n对于个人投资者而言，获取全面的市场信息并做出及时决策一直是个挑战。券商数据、市场行情、社交媒体情绪——这些信息分散在不同平台，整合分析需要大量时间。今天介绍的这个开源项目，通过多源数据融合与大语言模型技术，为个人投资者提供了一套接近机构级的分析工具。\n\n## 项目定位与核心能力\n\nLLM Portfolio Journal是一个数据驱动的投资组合分析系统，它将券商数据、市场信息和社交媒体情绪分析整合到一个统一的分析框架中。系统的核心能力包括：\n\n- 多源数据整合：同时接入SnapTrade API、Discord机器人、Twitter/X、yfinance和Databento等多个数据源\n- 智能NLP管道：使用OpenAI结构化输出来提取交易想法和分析市场情绪\n- 自动化报告生成：生成每日或每周的投资组合摘要、情绪洞察和丰富的Markdown报告及图表\n- FIFO持仓追踪：精确计算盈亏，支持复杂的交易策略分析\n\n## 技术架构详解\n\n### 数据层设计\n\n系统采用PostgreSQL数据库(支持Supabase托管)，包含20张数据表，涵盖持仓、订单、市场数据、NLP管道、社交情绪和OHLCV日线数据。所有表都启用了行级安全策略(RLS)，确保数据访问的安全性。\n\n数据库连接使用Supabase事务池化器，推荐配置如下：\n\nDATABASE_URL=postgresql://postgres.[project]:[service-role-key]@[region].pooler.supabase.com:6543/postgres\n\n\n### 数据摄取管道\n\n系统设计了完整的数据摄取流程：\n\n券商数据：通过SnapTrade API获取账户持仓、交易历史和订单信息\n\n市场行情：使用yfinance获取实时股价，通过Databento获取历史OHLCV日线数据并存储到RDS/S3/Supabase\n\n社交媒体：Discord机器人监听投资频道消息，提取股票代码并进行情绪评分；Twitter API获取特定股票的情绪数据\n\n### NLP处理管道\n\n系统的NLP组件是其核心差异化能力。它使用OpenAI的结构化输出功能，从Discord消息和社交媒体内容中提取：\n\n- 提及的股票代码\n- 交易方向(买入/卖出/观望)\n- 情绪倾向(看涨/看跌/中性)\n- 关键论点摘要\n\n这种结构化提取使得非结构化的社交讨论能够被量化分析，并纳入投资决策框架。\n\n### 报告生成引擎\n\n大语言模型在报告生成阶段发挥关键作用。系统可以生成：\n\n- 每日摘要：当日持仓变化、盈亏情况、市场要闻\n- 周报：一周交易回顾、持仓表现分析、下周展望\n- 情绪洞察：基于社交媒体数据的整体市场情绪分析\n- 可视化图表：持仓分布、收益曲线、风险指标等\n\n## 实际使用场景\n\n### 场景一：Discord投资社群管理\n\n对于运营投资Discord社群的管理员，系统提供了丰富的机器人命令：\n\n\n!history [limit] # 获取频道消息历史\n!chart SYMBOL [period] # 生成股票图表\n!twitter SYMBOL # 获取Twitter情绪分析\n!stats # 频道统计信息\n\n\n这些命令使得社群成员能够快速获取分析信息，而不必切换多个应用。\n\n### 场景二：个人投资组合追踪\n\n个人投资者可以配置自己的券商账户(SnapTrade)，让系统自动同步持仓数据。每天开盘前，系统生成一份包含以下内容的简报：\n\n- 隔夜持仓市值变化\n- 持仓股票的相关新闻摘要\n- 社交媒体情绪变化\n- 需要关注的风险信号\n\n### 场景三：量化策略回测支持\n\n系统提供的OHLCV数据管道支持策略回测：\n\nbash\n# 回填最近5天的数据\npython scripts/backfill_ohlcv.py --daily\n\n# 回填完整历史数据\npython scripts/backfill_ohlcv.py --full\n\n# 自定义时间范围\npython scripts/backfill_ohlcv.py --start 2024-01-01\n\n\n## 部署与配置\n\n项目提供了完整的部署验证流程：\n\nbash\n# 1. 验证部署就绪性\npython tests/validate_deployment.py\n\n# 2. 自动化设置与健康检查\npython scripts/bootstrap.py\n\n# 3. 配置环境变量\ncp .env.example .env\n# 编辑.env文件，添加API密钥\n\n\n需要配置的关键环境变量包括：\n\n- 数据库：PostgreSQL/Supabase连接字符串\n- LLM API：OpenAI API密钥用于NLP解析\n- 券商数据：SnapTrade客户端ID和消费者密钥\n- 社交媒体：Discord机器人令牌、Twitter Bearer令牌\n\n## 测试与验证\n\n项目包含完整的测试套件：\n\nbash\npytest tests/ -v # 完整测试套件\npytest tests/ -v --cov=src # 带覆盖率报告\npytest tests/ -v -m \"not openai\" # 跳过API调用测试\npython scripts/verify_database.py --mode comprehensive # 数据库模式验证\n\n\n这种全面的测试覆盖确保了系统在生产环境中的稳定性。\n\n## 项目意义与展望\n\nLLM Portfolio Journal的意义在于"技术民主化"——它将原本只有机构投资者才能负担的数据整合和分析能力，通过开源方式提供给个人投资者。大语言模型的引入使得系统能够从非结构化数据中提取价值，这是传统量化工具难以实现的。\n\n未来发展方向可能包括：\n\n- 支持更多券商API集成\n- 增加多因子风险模型\n- 引入更多另类数据源(如卫星图像、供应链数据)\n- 开发移动端应用界面\n\n对于想要提升投资分析能力的个人投资者，这是一个值得深入研究和定制的开源项目。

LLM驱动的智能投资组合分析系统：多源数据融合与自动化报告生成\n\n对于个人投资者而言，获取全面的市场信息并做出及时决策一直是个挑战。券商数据、市场行情、社交媒体情绪——这些信息分散在不同平台，整合分析需要大量时间。今天介绍的这个开源项目，通过多源数据融合与大语言模型技术，为个人投资者提供了一套接近机构级的分析工具。\n\n项目定位与核心能力\n\nLLM Portfolio Journal是一个数据驱动的投资组合分析系统，它将券商数据、市场信息和社交媒体情绪分析整合到一个统一的分析框架中。系统的核心能力包括：\n\n- 多源数据整合：同时接入SnapTrade API、Discord机器人、Twitter/X、yfinance和Databento等多个数据源\n- 智能NLP管道：使用OpenAI结构化输出来提取交易想法和分析市场情绪\n- 自动化报告生成：生成每日或每周的投资组合摘要、情绪洞察和丰富的Markdown报告及图表\n- FIFO持仓追踪：精确计算盈亏，支持复杂的交易策略分析\n\n技术架构详解\n\n数据层设计\n\n系统采用PostgreSQL数据库(支持Supabase托管)，包含20张数据表，涵盖持仓、订单、市场数据、NLP管道、社交情绪和OHLCV日线数据。所有表都启用了行级安全策略(RLS)，确保数据访问的安全性。\n\n数据库连接使用Supabase事务池化器，推荐配置如下：\n\nDATABASE_URL=postgresql://postgres.[project]:[service-role-key]@[region].pooler.supabase.com:6543/postgres\n\n\n数据摄取管道\n\n系统设计了完整的数据摄取流程：\n\n券商数据：通过SnapTrade API获取账户持仓、交易历史和订单信息\n\n市场行情：使用yfinance获取实时股价，通过Databento获取历史OHLCV日线数据并存储到RDS/S3/Supabase\n\n社交媒体：Discord机器人监听投资频道消息，提取股票代码并进行情绪评分；Twitter API获取特定股票的情绪数据\n\nNLP处理管道\n\n系统的NLP组件是其核心差异化能力。它使用OpenAI的结构化输出功能，从Discord消息和社交媒体内容中提取：\n\n- 提及的股票代码\n- 交易方向(买入/卖出/观望)\n- 情绪倾向(看涨/看跌/中性)\n- 关键论点摘要\n\n这种结构化提取使得非结构化的社交讨论能够被量化分析，并纳入投资决策框架。\n\n报告生成引擎\n\n大语言模型在报告生成阶段发挥关键作用。系统可以生成：\n\n- 每日摘要：当日持仓变化、盈亏情况、市场要闻\n- 周报：一周交易回顾、持仓表现分析、下周展望\n- 情绪洞察：基于社交媒体数据的整体市场情绪分析\n- 可视化图表：持仓分布、收益曲线、风险指标等\n\n实际使用场景\n\n场景一：Discord投资社群管理\n\n对于运营投资Discord社群的管理员，系统提供了丰富的机器人命令：\n\n\n!history [limit] 获取频道消息历史\n!chart SYMBOL [period] 生成股票图表\n!twitter SYMBOL 获取Twitter情绪分析\n!stats 频道统计信息\n\n\n这些命令使得社群成员能够快速获取分析信息，而不必切换多个应用。\n\n场景二：个人投资组合追踪\n\n个人投资者可以配置自己的券商账户(SnapTrade)，让系统自动同步持仓数据。每天开盘前，系统生成一份包含以下内容的简报：\n\n- 隔夜持仓市值变化\n- 持仓股票的相关新闻摘要\n- 社交媒体情绪变化\n- 需要关注的风险信号\n\n场景三：量化策略回测支持\n\n系统提供的OHLCV数据管道支持策略回测：\n\nbash\n回填最近5天的数据\npython scripts/backfill_ohlcv.py --daily\n\n回填完整历史数据\npython scripts/backfill_ohlcv.py --full\n\n自定义时间范围\npython scripts/backfill_ohlcv.py --start 2024-01-01\n\n\n部署与配置\n\n项目提供了完整的部署验证流程：\n\nbash\n1. 验证部署就绪性\npython tests/validate_deployment.py\n\n2. 自动化设置与健康检查\npython scripts/bootstrap.py\n\n3. 配置环境变量\ncp .env.example .env\n编辑.env文件，添加API密钥\n\n\n需要配置的关键环境变量包括：\n\n- 数据库：PostgreSQL/Supabase连接字符串\n- LLM API：OpenAI API密钥用于NLP解析\n- 券商数据：SnapTrade客户端ID和消费者密钥\n- 社交媒体：Discord机器人令牌、Twitter Bearer令牌\n\n测试与验证\n\n项目包含完整的测试套件：\n\nbash\npytest tests/ -v 完整测试套件\npytest tests/ -v --cov=src 带覆盖率报告\npytest tests/ -v -m \"not openai\" 跳过API调用测试\npython scripts/verify_database.py --mode comprehensive 数据库模式验证\n\n\n这种全面的测试覆盖确保了系统在生产环境中的稳定性。\n\n项目意义与展望\n\nLLM Portfolio Journal的意义在于"技术民主化"——它将原本只有机构投资者才能负担的数据整合和分析能力，通过开源方式提供给个人投资者。大语言模型的引入使得系统能够从非结构化数据中提取价值，这是传统量化工具难以实现的。\n\n未来发展方向可能包括：\n\n- 支持更多券商API集成\n- 增加多因子风险模型\n- 引入更多另类数据源(如卫星图像、供应链数据)\n- 开发移动端应用界面\n\n对于想要提升投资分析能力的个人投资者，这是一个值得深入研究和定制的开源项目。