支持国内股票分析的AI智能开源项目（GitHub Star数量Top榜）

Ne0inhk

— 7 min read

支持国内股票分析的AI智能开源项目（GitHub Star数量Top榜）

一、核心结论

GitHub上支持国内股票（A股）分析且Star数量靠前的AI智能开源项目，按Star数量降序排列依次为：

  1. OpenBB（57.4k Star）：开源金融数据平台，支持A股等多市场数据获取与AI辅助分析；
  2. ai-hedge-fund（44.9k Star）：AI对冲基金模拟系统，通过多智能体协作模拟投资大师策略，可适配A股；
  3. FinGenius（新兴项目，Star快速增长）：专为A股设计的多智能体博弈分析工具，融合16位AI专家协作；
  4. daily_stock_analysis（5.5k Star）：A股智能分析系统，基于大模型生成每日决策报告。
二、项目详细说明
1. OpenBB：开源金融数据与分析平台（57.4k Star）
  • 项目地址：https://github.com/OpenBB-finance/OpenBB
  • 核心特点：
    OpenBB是全球领先的金融数据开源平台，旨在为分析师、量化交易者和AI智能体提供一体化解决方案。其Star数量超57k，是GitHub上最受关注的金融分析工具之一。
    • 数据覆盖：支持A股、港股、美股等多市场数据，涵盖实时行情、历史K线、财务报表（如资产负债表、利润表）、龙虎榜数据等，数据源包括东方财富、新浪财经等国内平台；
    • AI辅助分析：内置AI Copilot（默认使用LLaMA模型），可回答用户关于金融数据的问题（如“分析苹果公司CEO过去五年的战略表现”），并支持自定义LLM；
    • 可视化与交互：提供类似Bloomberg的看板体验，整合财务、股东、市场对比等信息，支持Matplotlib、Plotly等可视化库生成交互式图表；
    • 可扩展性：支持通过插件扩展数据源（如对接Alpha Vantage、Quandl），并可通过脚本（如Python）实现自动化分析。
  • 适用场景：适合个人投资者快速获取A股数据、量化研究者进行多市场策略回测、教育机构开展金融数据分析教学。
2. ai-hedge-fund：AI对冲基金模拟系统（44.9k Star）
  • 项目地址：https://github.com/virattt/ai-hedge-fund
  • 核心特点：
    ai-hedge-fund是概念验证项目，探索AI在交易决策中的应用，通过模拟多种投资策略的智能代理（Agents）进行股票分析和交易决策。其Star数量超44k，是GitHub上最受欢迎的AI量化项目之一。
    • 多策略智能代理：包含模仿著名投资者策略的代理（如本杰明·格雷厄姆的价值投资、凯茜·伍德的增长投资、沃伦·巴菲特的长期价值投资），以及估值、情绪分析、基本面分析、技术分析等代理；
    • 灵活的交易模拟：支持指定股票代码（如AAPL、MSFT）、时间范围进行交易决策模拟，并可查看决策逻辑（如“巴菲特代理认为该公司具有安全边际”）；
    • 回测功能：提供回测工具，可对特定时间段的历史数据进行分析，评估策略表现；
    • 适配A股：虽原生不支持A股，但可通过改造数据源（如替换为Wind数据）、修改大模型提示词（如适配A股监管政策）实现A股分析。
  • 适用场景：适合量化研究者验证AI策略在A股的有效性、教育机构开展AI量化教学、开发者构建定制化量化系统。
3. FinGenius：A股多智能体博弈分析工具（新兴项目，Star快速增长）
  • 项目地址：https://github.com/HuaYaoAI/FinGenius
  • 核心特点：
    FinGenius是专为A股设计的多智能体博弈分析工具，由国内00后团队开发，旨在通过16位AI专家（如舆情、游资、风控、技术派）协作，解决A股信息繁杂、数据失真、通用大模型水土不服等问题。其Star数量虽未明确，但内测阶段吸引了大量用户（4000+申请体验码），增长迅速。
    • 多智能体协作：16位AI专家分工协作，包括舆情专家（扫描全网情绪）、游资猎手（解读龙虎榜数据）、风控大师（评估政策风险）、技术派（分析K线指标）、筹码侦探（分析股东变动）等；
    • 博弈辩论机制：智能体之间通过多轮辩论（默认2轮）优化决策，避免单一AI的“幻觉”问题；
    • A股适配：采用“动态任务树”调度（任务重构耗时<200ms），支持A股特色因子（如龙虎榜资金流、政策敏感度），并采用“A股适配度得分”（含规则符合率、情绪准确率）评估模型；
    • 记忆系统：基于“年轮记忆规则算法”，记录用户投资习惯（如建仓位置偏好、风险承受能力），优化后续分析。
  • 适用场景：适合A股投资者获取多维度分析（如舆情、游资动向）、量化研究者探索多智能体协作策略、开发者构建A股定制化分析工具。
4. daily_stock_analysis：A股智能分析系统（5.5k Star）
  • 项目地址：https://github.com/ZhuLinsen/daily_stock_analysis
  • 核心特点：
    daily_stock_analysis是基于大模型的A股智能分析系统，通过每日自动获取行情与新闻，生成“专业级”分析报告，并推送至用户常用平台（如企业微信、飞书、Telegram）。其Star数量超5.5k，是个人投资者的实用工具。
    • 自动化分析：每个交易日定时运行，自动获取A股、港股、美股的自选股数据（如行情、新闻、财务指标），并生成分析报告；
    • 多维度数据融合：结合技术面（如均线、MACD）、筹码分布（如股东变动）、舆情（如新闻情绪）、实时行情（如价格波动）等多维度数据，生成结构化报告；
    • AI决策仪表盘：报告包含“一句话核心结论”（如“买入信号|高信心度”）、“关键点位”（如买入点、止损点、目标价位）、“检查清单”（如“是否符合均线多头排列”），帮助用户快速决策；
    • 多渠道推送：支持企业微信、飞书、Telegram、邮箱等推送方式，用户无需登录平台即可获取报告。
  • 适用场景：适合个人投资者快速了解A股自选股情况、非程序员进行简易量化分析、教育机构开展金融数据分析实践。
三、补充说明
  • 其他相关项目：除上述四个项目外，GitHub上还有Qlib（15k Star，微软出品的AI量化研究平台，支持A股因子库）、vn.py（23k Star，国产Python量化交易框架，支持A股实盘交易）等项目，虽Star数量较高，但AI智能分析功能较弱（如Qlib更侧重量化研究，vn.py更侧重交易执行），故未列入Top榜。
  • 注意事项：
    • Star数量的时效性：Star数量是动态变化的，以上数据为2026年1月左右的统计，具体以GitHub实时数据为准；
    • 项目适用性：不同项目适合不同用户（如OpenBB适合数据获取，ai-hedge-fund适合策略模拟，FinGenius适合多维度分析，daily_stock_analysis适合个人投资者），需根据自身需求选择；
    • 开源协议：大部分项目采用MIT、Apache等开源协议，可免费商用，但需注意部分项目的特殊要求（如AKShare的数据使用限制）。
四、总结

若你需要全面的金融数据，选择OpenBB；若你需要AI策略模拟，选择ai-hedge-fund；若你需要A股多维度分析，选择FinGenius；若你是个人投资者，选择daily_stock_analysis。这些项目均是GitHub上支持国内股票分析且Star数量靠前的AI智能开源工具，覆盖了量化交易的各个环节，适合不同需求的用户。

如需了解更多项目，可通过GitHub搜索关键词（如“A股 股票分析 开源”“A股 量化交易 开源”）进一步筛选。

Read more

C++ AIGC延迟优化的5大关键技巧：如何将响应时间缩短90%？

第一章：C++ AIGC延迟优化的现状与挑战 随着生成式人工智能（AIGC）在图像生成、自然语言处理和语音合成等领域的广泛应用，系统对实时性和响应速度的要求日益提升。C++ 作为高性能计算的核心语言之一，在构建低延迟 AIGC 推理引擎中扮演着关键角色。然而，如何在保证生成质量的同时有效降低端到端延迟，仍是当前面临的主要技术瓶颈。 性能瓶颈的典型来源 * 模型推理过程中张量计算密集，内存访问模式不连续导致缓存命中率低 * 多线程调度开销大，任务划分不均引发负载失衡 * 动态内存分配频繁，触发垃圾回收或页交换，造成不可预测的延迟抖动 主流优化策略对比 策略优势局限性算子融合减少内核启动次数，提升GPU利用率增加编译复杂度，调试困难内存池预分配避免运行时 malloc/free 开销需预估最大容量，可能浪费资源异步流水线重叠数据传输与计算编程模型复杂，易引入竞态条件 典型代码优化示例 // 使用对象池避免频繁构造/析构 class TensorPool { public: std::unique_ptr<float[]> acquire(size_t size

By Ne0inhk

AMD GPU部署Whisper实战：从环境配置到生产级优化指南

快速体验 在开始今天关于 AMD GPU部署Whisper实战：从环境配置到生产级优化指南 的探讨之前，我想先分享一个最近让我觉得很有意思的全栈技术挑战。 我们常说 AI 是未来，但作为开发者，如何将大模型（LLM）真正落地为一个低延迟、可交互的实时系统，而不仅仅是调个 API？ 这里有一个非常硬核的动手实验：基于火山引擎豆包大模型，从零搭建一个实时语音通话应用。它不是简单的问答，而是需要你亲手打通 ASR（语音识别）→ LLM（大脑思考）→ TTS（语音合成）的完整 WebSocket 链路。对于想要掌握 AI 原生应用架构的同学来说，这是个绝佳的练手项目。 从0到1构建生产级别应用，脱离Demo，点击打开 从0打造个人豆包实时通话AI动手实验 AMD GPU部署Whisper实战：从环境配置到生产级优化指南 最近在折腾语音识别项目时，发现很多教程都默认使用NVIDIA显卡。作为AMD用户，我决定记录下在Radeon显卡上部署Whisper模型的完整过程，希望能帮到同样使用AMD设备的开发者们。 为什么选择Whisper+AMD组合？ Whisper作为Ope

By Ne0inhk

Diffusers AI绘画入门：3分钟从零到创作的艺术之旅

Diffusers AI绘画入门：3分钟从零到创作的艺术之旅 【免费下载链接】diffusersDiffusers：在PyTorch中用于图像和音频生成的最先进扩散模型。 项目地址: https://gitcode.com/GitHub_Trending/di/diffusers 在AI绘画的世界里，你是否曾经羡慕那些能够用几行代码就创造出惊艳图像的技术大神？现在，让我带你走进Diffusers的神奇世界，用最简单的方式开启你的AI艺术创作之旅！ 为什么选择Diffusers？ Diffusers是当前最受欢迎的AI绘画库之一，它让复杂的扩散模型变得触手可及。无论你是编程新手还是艺术爱好者，都能在这里找到创作的乐趣。想象一下，用简单的文字描述就能生成你脑海中的画面，这就是Diffusers带给我们的魔法。 Diffusers生成的多风格图像对比，展示了AI绘画的多样性和创造力 快速配置：零基础也能轻松上手 环境准备（3步搞定） 1. 创建专属环境 python -m venv ai_painting source ai_painting/bin/activate

By Ne0inhk

llama.cpp加载多模态gguf模型

llama.cpp预编译包还不支持cuda12.6 llama.cpp的编译，也有各种坑 llama.cpp.python的也需要编译 llama.cpp命令行加载多模态模型 llama-mtmd-cli -m Qwen2.5-VL-3B-Instruct-q8_0.gguf --mmproj Qwen2.5-VL-3B-Instruct-mmproj-f16.gguf -p "Describe this image." --image ./car-1.jpg **模型主gguf文件要和mmporj文件从一个库里下载，否则会有兼容问题，建议从ggml的官方库里下载 Multimodal GGUFs官方库 llama.cpp.python加载多模态模型 看官方文档 要使用LlamaChatHandler类，官方已经写好了不少多模态模型的加载类，比如qwen2.5vl的写法： from llama_cpp import Llama

By Ne0inhk