ChatGPT也能做投资分析？手把手教你利用 LangChain搭建股票研究框架¶

投资分析师正越来越多地将人工智能应用于财务数据的处理、趋势识别以及深度洞察的获取。其中，LangChain 作为一个极具潜力的开源框架，能够将像 GPT 这样的语言模型与投资分析相结合。本篇文章将探讨如何利用 LangChain 简化初步的投资研究流程，包括整合金融数据源、构建高级定制模型，以及基于预测性洞察做出更明智的投资决策。

在这篇文章中，我们将重点讨论：

为什么选择 LangChain？

什么是 LangChain？

LangChain 的核心组件

如何利用 LangChain 与 OpenAI 在 Python 中进行股票分析

为什么选择 LangChain？¶

让我们先尝试让 ChatGPT 分析过去 5 年 NIFTY50 指数的价格表现：

“当我们询问 ChatGPT 关于 NIFTY50 过去 5 年的表现时，它并没有现成的数据可用于分析。”

这正是 LangChain 大显身手的地方。LangChain 能够将金融数据源与大型语言模型（LLM）相结合，从而改变投资者对市场数据的分析与解读方式。通过分析庞大的文本数据（如新闻报道、财报以及社交媒体舆情），LangChain 能够为分析师提供更丰富、更及时的洞察，辅助更优的投资决策。

什么是 LangChain？¶

LangChain 充当大型语言模型与外部数据源之间的接口，帮助用户构建 AI 驱动的应用。LangChain 允许开发者连接到各种数据库、检索所需信息、处理输入并输出结构化的结果。

“LLM（大型语言模型）是基于海量数据训练的深度学习模型，能够根据用户的查询生成回答。LangChain 提供了相应的工具和抽象层，以提升模型输出的定制化、准确性和相关性。” “LangChain 支持多种主流 LLM 模型，具体列表可查看：https://python.langchain.com/docs/integrations/llms/。”

LangChain 的核心组件¶

在接下来的示例中，我们将演示如何在 Python 中实现 LangChain 的主要组件。

注：下文示例中部分代码使用的 langchain_openai 版本如文中所示。

1. 使用 LLMs¶

LangChain 可以通过 Prompting 机制集成多个大型语言模型，根据特定任务或查询生成更为复杂且针对性的回答。 - Temperature：表示模型输出的随机度。如果将其设为 0，就会得到确定性的输出，也就是在多次运行时输出相同的结果。

示例输出：

“由于输出包含多个元素，我们对其中的 content 部分更感兴趣，所以可以通过相应方法提取内容。”

2. Prompt Templates¶

Prompt 模板是为 GPT-4 等语言模型生成提示（Prompt）时所使用的 预定义结构或格式。它能帮助我们在不同场景下快速构造一致、上下文相关的查询或指令。Prompt 模板中还可以包含动态插入的占位符，用以传递特定数据或参数。

3. Chains¶

在 LangChain 中，“链”指的是一系列有序的步骤或操作，通过将 Prompt、数据处理步骤、API 调用等环节串联起来，完成更为复杂的自然语言处理任务。

“chain = prompt | llm”
表示将 prompt（提示）输入到语言模型（LLM），再生成相应回答。

批量处理（Batch）：指一次性向链中输入多条数据并并行处理，从而提升效率。

4. Agents¶

Agent（代理） 是利用大型语言模型来完成某个特定任务的自动化实体。它可以做决策、执行动作，并能根据设计需求与多种数据源或 API 动态交互。
在下面的例子中，PythonREPLTool() 作为 Agent 的工具被用来在 LangChain 流程中直接运行 Python 代码，用于数据的处理、分析或计算。

提示： 下面示例的 LangChain 版本为 “langchain-core<0.2”。

使用 LangChain 和 OpenAI 进行股权分析（Python 案例）¶

接下来，我们将基于 LLM（大型语言模型）构建一个简单的应用，用来判断某个股票是否值得投资。该应用主要使用以下数据源：

Google 新闻
股票的历史价格数据
ChatGPT Agent 通过整合这些数据进行综合判断并生成回答

在这个示例中，我们将用到 agents 来生成回答。你也可以使用 function calling 的方式，让输出更加结构化。

1. 准备工作¶

需要有一个 OpenAI API Key（可在 OpenAI 官网注册并购买后获取）。
需要有一个 SERP API Key（访问 SERPAPI 获取），用来获取某只股票的最新新闻。

2. 导入库¶

在开始之前，先确保安装了适当版本的 Pydantic 库。

# 安装 pydantic
!pip install pydantic==<相应版本>

然后导入需要的其它库和模块：

import os
import requests
import datetime
import yfinance as yf
from typing import Dict
from langchain_core.tools import Tool
from langchain.agents import initialize_agent
from langchain_core.prompts import PromptTemplate
# ... 其它必要的导入

LangChain 提供了 langChain_core.tools 来定义和管理可被 Agents 使用的工具（Tools），这些工具可以执行特定任务，如计算、数据库查询、网络搜索或 API 调用。
langchain.agents 则提供了构建和运行 Agents 的框架，使其能够进行推理、决策并调用工具来完成工作。
langchain_core.prompts 用于设计、管理 Prompt，以指导语言模型如何响应。

3. 获取最新新闻¶

下面定义一个函数 get_news，通过 SERP API 获取目标股票的最新新闻。将其中的 “YOUR_SERPAPI_API_KEY” 替换为你的实际 API Key：

def get_news(ticker: str) -> str:
    # 通过SERP API获取新闻的示例代码
    ...

4. 获取历史股价数据¶

通过 Yahoo Finance 获取近一年的历史股价信息：

def get_historical_data(ticker: str) -> str:
    # 使用 yfinance 库获取股票的历史价格数据
    ...

5. 自定义分析函数¶

定义一个函数 analyze_stock 来决定是否值得投资。这个函数会根据一定的规则（如数据表现、新闻内容等）给出分析建议：

def analyze_stock(news: str, historical_data: str) -> str:
    # 根据自定义逻辑进行分析
    ...

6. 定义工具¶

将以上三个函数分别定义为三个 Tool：get_news、get_historical_data 和 analyze_stock，方便在后续的 Agent 中调用：

tools = [
    Tool(
        name="get_news",
        func=get_news,
        description="获取目标股票的最新新闻"
    ),
    Tool(
        name="get_historical_data",
        func=get_historical_data,
        description="获取目标股票的历史价格信息"
    ),
    Tool(
        name="analyze_stock",
        func=analyze_stock,
        description="分析股票是否值得投资"
    )
]

7. 定义 Prompt¶

prompt_template = PromptTemplate(
    input_variables=["ticker"],
    template="""
        我想要分析股票 {ticker} 的投资价值。 
        你可以使用以下工具：
        1. get_news：获取新闻
        2. get_historical_data：获取历史价格
        3. analyze_stock：综合分析
        请给出最终的结论。
    """
)

8. 创建 Agent 并生成结果¶

最后，我们创建一个 Agent 来生成对指定股票的分析结果：

agent = initialize_agent(
    tools=tools,
    llm=OpenAI(temperature=0),
    prompt=prompt_template,
    # 其它所需参数
)

response = agent.run({"ticker": "AAPL"})
print(response)

示例回复 1：¶

“根据历史数据和最新新闻，可以考虑苹果股票，但仍需结合个人风险偏好。”

示例回复 2：¶

“近期新闻表现积极，历史趋势稳中有升，可作为长期投资的参考。”

以上示例展示了一个基于 LangChain 的初步股票分析流程。它结合了历史数据与新闻信息来生成简单的分析结论。需要注意的是，这些回答仅基于示例中提供的数据和上下文，不应视为专业的投资建议或最终结论。在真实投资中，仍需结合更多数据并进行更全面的研究。

通过将财务数据源（历史数据与新闻）整合到 LLM 中，LangChain 能够提供更快、更具深度的市场洞察，为投资决策提供支持。未来，随着模型能力与数据源数量的不断提升，投资分析的效率和准确性也有望进一步提高。