深度解析：如何用DeepSeek-R1对特斯拉相关新闻进行情感分析并生成投资建议¶

在股票投资中，消息面往往会对股价造成显著影响。实时监测并分析新闻资讯，有助于我们判断市场情绪并优化投资决策。本文以特斯拉（TSLA）为例，结合 Yahoo Finance、MarkItDown 和 DeepSeek-R1 模型，展示从“获取新闻→提取正文→情感分析→投资建议”的完整实践流程。

适合人群：对自动化金融资讯分析感兴趣的量化工程师、数据科学家、基金经理或想要快速上手新闻情感分析的学习者。

功能概览¶

抓取特斯拉相关新闻：利用 yfinance 获取 TSLA 最新新闻。
提取并清洗正文：使用 MarkItDown 库解析网页内容，并对文本做简单的正则清理。
情感分析与建议：基于 DeepSeek-R1 模型，对多篇新闻打分并输出投资建议。

通过这些步骤，你可以快速搭建一个多篇新闻合并分析的“小型舆情雷达”。

一、准备环境¶

安装Python依赖：

pip install yfinance pandas markitdown requests langchain langchain-ollama

确保本地或服务器已成功部署 DeepSeek-R1 模型，并可通过 Ollama 或类似方式调用。

如果你还没有DeepSeek-R1模型，可以尝试在本地安装相应环境，或替换为其他兼容的模型。

二、获取特斯拉（TSLA）的相关新闻¶

2.1 编写 `get_news` 函数¶

以下函数通过 yfinance 库中的 Ticker 对象抓取特斯拉相关新闻，并提取关键字段（标题、摘要、链接、发布日期）：

import yfinance as yf
import pandas as pd

def get_news(stock: str) -> list:
    """
    获取与指定股票相关的新闻列表，返回包含标题、摘要、链接、发布日期的字典列表。
    """
    try:
        # 获取股票对象及其新闻
        ticker = yf.Ticker(stock)
        news = ticker.news

        # 如果没有新闻，则返回空列表
        if not news:
            print(f"No news found for {stock}.")
            return []

        # 只保留contentType='STORY'的新闻
        relevant_news = [
            item for item in news if item.get('content', {}).get('contentType') == 'STORY'
        ]

        all_news = []
        for i, item in enumerate(relevant_news):
            try:
                content = item.get('content', {})
                current_news = {
                    'title': content.get('title'),
                    'summary': content.get('summary'),
                    'url': content.get('canonicalUrl', {}).get('url'),
                    'pubdate': content.get('pubDate', '').split('T')[0],
                }
                all_news.append(current_news)
            except Exception as e:
                print(f"Error processing news {i}: {e}")
                continue

        return all_news

    except Exception as e:
        print(f"An error occurred while fetching news for {stock}: {e}")
        return []

示例调用¶

news_list = get_news("TSLA")
print(len(news_list))  # 查看获取到的新闻数量
print(news_list[0])    # 输出其中一篇新闻的信息

获取到的结构如：

{
    'title': 'Tesla Poised to Beat Q1 Earnings Estimates...',
    'summary': '...',
    'url': 'https://finance.yahoo.com/news/...',
    'pubdate': '2025-01-20'
}

三、提取并清洗新闻正文¶

3.1 使用 MarkItDown 解析网页¶

MarkItDown 可以帮助我们将网页HTML转换成纯文本，包括标题和正文内容。在提取文本的同时，我们会移除一些链接与特殊字符，使后续分析更干净。

from markitdown import MarkItDown
import requests
import re

# 创建Session以提高稳定性
session = requests.Session()
session.headers.update({
    'User-Agent': 'python-requests/2.32.3',
    'Accept-Encoding': 'gzip, deflate',
    'Accept': '*/*',
    'Connection': 'keep-alive'
})
md = MarkItDown(requests_session=session)

def remove_links(text: str) -> str:
    """
    去除URL、Markdown格式链接及多余字符
    """
    text = re.sub(r'http\S+', '', text)       # 移除URL
    text = re.sub(r'\[.*?\]', '', text)       # 移除Markdown链接
    text = re.sub(r'[#*()+\-\n]', '', text)   # 移除特殊字符
    text = re.sub(r'/\S*', '', text)          # 移除带斜线的内容
    text = re.sub(r'  ', '', text)            # 移除多余空格
    return text

def extract_news(link: str) -> str:
    """
    基于MarkItDown抽取页面标题与正文，并进行清洗后返回。
    """
    info = md.convert(link)
    text_title = info.title.strip()
    text_content = info.text_content.strip()
    return text_title + '\n' + remove_links(text_content)

3.2 获取并整合所有新闻文本¶

有了 get_news 与 extract_news，我们可以一次性对所有新闻进行提取。示例如下：

def extract_full_news(stock: str) -> list:
    """
    以full_news字段的形式，把网页正文添加到每篇新闻中返回。
    """
    news_data = get_news(stock)
    for i, item in enumerate(news_data):
        try:
            content = extract_news(item['url'])
            item['full_news'] = content
        except Exception as e:
            print(f"Error extracting news {i}: {e}")
            continue
    return news_data

# 以TSLA为例
full_news_list = extract_full_news("TSLA")

print(full_news_list[0]['title'])       # 新闻标题
print(full_news_list[0]['full_news'])   # 提取后的完整正文

得到的 full_news_list 即是包含所有字段（标题、摘要、URL、正文等）的整合结果。

四、使用DeepSeek-R1进行情感分析与投资建议¶

4.1 DeepSeek-R1与LangChain绑定¶

本例使用 OllamaLLM 作为调用DeepSeek-R1的接口。将多篇新闻合并后送入LLM做情感分析。

from langchain_ollama.llms import OllamaLLM
from langchain_core.prompts import ChatPromptTemplate
from pprint import pprint

# 初始化DeepSeek-R1
llm = OllamaLLM(model="deepseek-r1:1.5b")

4.2 编写提示模板（Prompt）¶

我们希望模型逐条给出“Positive/Negative/Neutral”的情感评价，并结合所有文章总结后给出投资建议。可将需求写成system的提示，传给LLM：

PROMPT = """
You are an expert financial analyst. I will provide you with a list of news articles related to Tesla (TSLA). Your tasks:

1. **Sentiment Analysis:**
   - For each news article, evaluate its sentiment as 'Positive', 'Negative', or 'Neutral'.
   - Present your evaluation in a dictionary format like: {"Article Title": "Positive", ...}

2. **Comprehensive Summary & Recommendation:**
   - Summarize the overall sentiment and key points from all articles.
   - Advise if investing in TSLA is advisable, with reasons derived from the news analysis.

**News Articles:**

{articles}

**Output Format:**

1. Sentiment Analysis Dictionary (JSON)
2. Summary
3. Investment Recommendation
"""

prompt_template = ChatPromptTemplate.from_messages(
    [
        ('system', PROMPT),
        ('human', "I want to analyze TSLA's news articles in detail.")
    ]
)

4.3 调用模型并输出结果¶

将我们提取的正文文本（full_news）组合为一个列表，作为 articles 传入 PromptTemplate，最后调用 LLM：

structure = prompt_template | llm

result = structure.invoke({
    "articles": [item['full_news'] for item in full_news_list]
})

pprint(result)

当DeepSeek-R1完成生成后，你将看到类似如下结果：

"<think>\n... [模型内部推理] ...\n</think>\n\n
### Sentiment Analysis Dictionary
```json
{
   "Tesla Q4 Earnings: A Beat on Estimates?": "Positive",
   "Elon Musk's Latest Statement Sparks Controversy": "Neutral",
   ...
}

### Summary
Based on the articles, Tesla's expansion in Europe...
### Investment Recommendation
Tesla continues to demonstrate strong performance...
"

这些信息包括逐篇情感打分、整体总结以及投资建议，让我们对特斯拉近期新闻有了直观的认识，也为决策提供了更多参考。

五、更多进阶思路¶

结合技术面与基本面：你可以把本篇教程中获取的“新闻情绪”与股票的技术指标、财务指标相结合，构建一个多因子分析代理。
自动化调度：使用如 Airflow 或Cron定期执行此脚本，保持对最新新闻的跟踪；在得到结果后推送到自定义通知或可视化仪表盘。
接入其他LLM或插件：如果想尝试不同模型的分析效果，也可将DeepSeek-R1替换为其他如ChatGPT、LLaMA等，比较情感判断的准确率与速度。

结论¶

借助 yfinance 抓取特斯拉新闻、MarkItDown 提取网页正文，再通过 DeepSeek-R1 进行情感分析和投资建议生成，即可实现一个“实时新闻舆情分析”的简易雏形。
- 自动化：可大规模、持续地抓取最新新闻。
- 可扩展：可灵活替换模型或将结果进一步整合到更复杂的金融决策流程中。

相信通过上述步骤，你已经掌握了从“数据获取”到“模型分析”的一整套思路。欢迎将本方案与更多因子分析、可视化工具结合，构建更全面、更智能的“多维度金融分析”工作流！

如果你对本文中的任何操作或思路有疑问，或想进一步探讨各大模型的差异与实战体验，欢迎在评论区留言，让我们一起挖掘AI在金融应用领域更多可能性！

关于LLMQuant¶

LLMQuant是由一群来自世界顶尖高校和量化金融从业人员组成的前沿社区，致力于探索人工智能（AI）与量化（Quant）领域的无限可能。我们的团队成员来自剑桥大学、牛津大学、哈佛大学、苏黎世联邦理工学院、北京大学、中科大等世界知名高校，外部顾问来自Microsoft、HSBC、Citadel、Man Group、Citi、Jump Trading、国内顶尖私募等一流企业。