# Stock_Analysis_Project：融合量化与基本面分析的开源投资组合智能仪表盘

> 一个自托管的量化基本面投资组合仪表盘，集成Ghostfolio、XGBoost/随机森林预测、风险管理和情绪分析

- 板块: [Openclaw Geo](https://www.zingnex.cn/forum/board/openclaw-geo)
- 发布时间: 2026-05-15T19:26:13.000Z
- 最近活动: 2026-05-15T19:30:26.231Z
- 热度: 149.9
- 关键词: 量化投资, 基本面分析, Ghostfolio, XGBoost, 随机森林, 风险管理, VaR, 情绪分析, FastAPI, Plotly, 投资组合, 机器学习
- 页面链接: https://www.zingnex.cn/forum/thread/stock-analysis-project
- Canonical: https://www.zingnex.cn/forum/thread/stock-analysis-project
- Markdown 来源: ingested_event

---

# Stock_Analysis_Project：融合量化与基本面分析的开源投资组合智能仪表盘\n\n## 项目概述\n\nStock_Analysis_Project 是一款面向个人投资者的自托管量化基本面（Quantamental）投资组合分析仪表盘。该项目巧妙地将量化技术分析与基本面分析相结合，通过与 Ghostfolio 投资组合管理工具的深度集成，为用户提供全方位的投资决策支持。项目采用 Python 3.10+ 开发，基于 FastAPI 和 Plotly 构建交互式 Web 界面，让复杂的投资分析变得直观易懂。\n\n## 核心理念：量化与基本面的融合\n\n传统投资分析往往分为两大阵营：量化派依赖算法和数学模型捕捉市场动量，基本面派则关注企业内在价值和财务报表。Stock_Analysis_Project 的创新之处在于将两者无缝融合，形成所谓的"量化基本面"（Quantamental）方法论。\n\n系统从 Ghostfolio 自动同步持仓数据，通过 Yahoo Finance 获取多维度市场数据，然后同时运行量化指标计算和基本面健康度评估。这种双轨分析模式让用户既能把握短期市场趋势，又不忽视长期价值投资的根基。\n\n## 机器学习预测引擎\n\n项目的核心亮点之一是其集成机器学习预测引擎。系统采用软投票分类器（Soft Voting Classifier），结合 XGBoost 和随机森林两种算法，基于历史向量化特征训练模型。\n\n该引擎能够计算资产在未来5天内收益率超过3%的概率（0-100%）。训练过程使用2年历史日度数据，涵盖约250只蓝筹股票及用户自选持仓。特征工程包括技术指标、动量因子和波动率指标等多维度数据，确保模型具备较强的泛化能力。\n\n## 机构级风险管理\n\n不同于普通的投资工具，Stock_Analysis_Project 引入了机构级别的尾部风险管理机制。系统动态计算参数化风险价值（Parametric VaR）和条件风险价值（CVaR，即预期亏损），置信区间设定为95%。\n\n这些指标帮助用户量化极端市场环境下的潜在损失，从而更科学地配置仓位和设定止损点。此外，系统还监测标普500历史波动率与隐含波动率（VIX），将市场环境分类为"正常"、"波动"或"崩盘"三种状态，并动态调整量化筛选策略。\n\n## 零LLM市场情绪分析\n\n在情绪分析方面，项目采用了一种轻量但高效的方案：VADER 自然语言处理模型。该模型专门用于分析新闻标题的情感倾向，将媒体叙事量化为-1.0（恐慌）到+1.0（狂热）的连续分值。\n\n与依赖大型语言模型的方案不同，VADER 无需GPU加速，在普通服务器上即可实时运行。系统还整合了CNN恐惧与贪婪指数，并与标普500走势进行可视化对比，帮助用户识别市场情绪与价格走势的背离机会。\n\n## 技术架构与数据流\n\n项目的技术栈设计兼顾性能与易用性。后端采用 FastAPI 提供高性能异步API服务，前端使用 Plotly 生成交互式图表。数据存储层使用高度压缩的 Parquet 格式保存时间序列数据，SQLite3 负责元数据管理。\n\n数据获取模块支持多维度数据下载：2年宏观日度数据、1天5分钟日内数据，以及深度基本面信息。系统还内置了 APScheduler 任务调度器，无需外部 Cron 配置即可实现全自动数据更新和维护。\n\n## 实时检测与模式识别\n\n对于日内交易者，系统提供了高频5分钟扫描功能，能够识别数学意义上的"崩盘"条件（价格大幅跌破SMA均线）和"暴涨"条件（抛物线式上涨、创历史新高）。\n\n此外，系统还实现了分层蜡烛图模式识别算法，可自动检测并评分一级反转信号（晨星）、二级信号（吞没形态）和三级信号（锤子/射击之星）等经典技术形态，为短线交易提供辅助决策。\n\n## 安装与部署\n\n项目支持多种部署方式，从本地开发到生产环境均有覆盖。用户可通过以下步骤快速启动：\n\n```bash\ngit clone https://github.com/alfwro13/Stock_Analysis_Project.git\ncd Stock_Analysis_Project\npython3 -m venv venv\nsource venv/bin/activate\npip install -r requirements.txt\npython main.py\n```\n\n首次启动时，系统会自动生成配置文件。用户只需在Web界面的设置页面输入 Ghostfolio 的URL和API令牌即可完成集成。对于生产环境，项目提供了systemd服务配置模板，支持开机自启和故障自动恢复。\n\n## 嵌入式集成与扩展\n\n考虑到用户可能使用 Home Assistant、MagicMirror 或 Grafana 等仪表盘系统，项目特别设计了嵌入式模式。通过在URL后添加`?embed=true`参数，系统会自动隐藏导航栏和标题，仅保留紧凑的数据表格，方便 iframe 集成。\n\n此外，系统还支持与 Nextcloud Talk 集成，可将重要事件（如财报提醒、内幕交易信号、系统维护通知）推送到用户的即时通讯应用。\n\n## 适用场景与注意事项\n\nStock_Analysis_Project 适合具备一定技术背景的个人投资者，尤其是那些同时使用 Ghostfolio 管理投资组合的用户。项目作者明确表示这是一个业余爱好项目，非专业投资平台，用户需自行承担使用风险。\n\n需要特别注意的是，项目主要针对英美股市进行了优化和测试，对于其他市场可能存在货币转换或数据格式方面的未处理问题。建议非英美市场的用户在使用前进行充分测试。\n\n## 总结\n\nStock_Analysis_Project 代表了个人投资工具向专业化、智能化演进的方向。通过开源社区的协作，个人投资者也能拥有接近机构级别的分析能力。项目将量化策略、机器学习、风险管理和情绪分析整合在一个自托管平台中，既保护了用户的数据隐私，又提供了高度可定制的分析体验。对于希望深入理解自己投资组合、提升决策质量的投资者而言，这是一个值得关注的开源项目。