零成交量市场 - 我的AI炒股实验

项目概述

“零成交量市场”（Zero Volume Market, ZVM）是我开发的一个基于 AI 的股票分析和模拟交易系统。这个项目尝试使用大语言模型（LLM）进行股票分析，生成投资策略，并通过虚拟盘系统验证策略效果。

项目地址：github.com/jifanchn/zero-volume-market

在线演示：

• 管理后台：s.jifan.space
• 虚拟盘：vs.jifan.space

当前状态：亏损中 😅

系统架构

技术栈

后端：

• Go 1.24+ - 高性能的静态类型语言
• Gin - 轻量级 HTTP 框架
• SQLite - 轻量级数据库
• Docker - 容器化部署

前端：

• React 18 + TypeScript
• Vite - 快速的构建工具
• Tailwind CSS + shadcn/ui - 现代化 UI 组件
• pnpm - 包管理器

AI 分析：

• 智谱 AI (GLM) - 通过 Claude Code MCP 集成

核心功能模块

zero-volume-market/
├── backend/              # Go 后端服务
│   ├── internal/
│   │   ├── analyzer/    # AI 分析器
│   │   ├── api/         # REST API
│   │   ├── service/     # 业务逻辑
│   │   ├── repository/  # 数据访问层
│   │   └── worker/      # 后台任务处理
│   └── migrations/      # 数据库迁移
├── frontend/             # React 前端
│   └── src/
│       ├── components/  # UI 组件
│       ├── pages/       # 页面
│       └── lib/         # API 客户端
├── vs/                   # 虚拟盘服务（独立 Go 程序）
│   ├── main.go          # 虚拟盘主程序
│   ├── calculator.go    # 持仓计算逻辑
│   └── trading_cost.go  # 交易成本计算
└── scripts/              # AI 分析脚本

核心功能

1. 股票管理

支持 A 股市场的股票基本信息管理，包括：

• 股票代码、名称、交易所
• 实时价格同步
• PE、PS 等估值指标
• 默认分析渠道配置

2. 多渠道 AI 分析

系统支持为每只股票配置多个分析渠道，每个渠道可以：

• 使用不同的分析方法（如基本面分析、技术面分析、新闻分析）
• 调用不同的 LLM 模型
• 设置独立的参数和提示词

分析器类型

目前实现的分析器：

1. cc_stock_analyze - 综合股票分析

   • 分析基本面、技术面、市场情绪
   • 输出目标价和买入评级

2. cc_stock_news - 新闻分析

   • 获取最新新闻
   • 分析新闻对股票的影响

3. cc_all_glm - 全市场分析

   • 综合多个维度的分析
   • 生成更全面的评估

3. 综合分析

当所有渠道分析完成后，系统会调用综合分析 LLM，将各渠道的分析结果整合：

• 汇总各渠道观点
• 生成综合投资建议（买入/持有/卖出）
• 评估风险等级

4. 策略生成

基于所有股票的分析结果，系统可以生成投资组合配置策略：

• 资产配置建议（各股票权重）
• 预期收益率
• 风险等级评估
• 策略说明

5. 虚拟盘交易系统

这是项目的核心创新点——一个完全独立实现的虚拟盘服务。

功能特点

组合管理：

• 初始资金设置（默认 100 万）
• 现金和持仓管理
• 实时总资产计算
• 盈亏统计

交易执行：

• 自动应用策略生成买卖指令
• 支持部分调仓（不是全部卖出后再买入）
• 交易记录完整保存

交易成本模拟：

系统精确模拟真实的 A 股交易成本：

// 买入成本计算
买入总花费 = 成交金额 + 佣金 + 过户费

// 卖出成本计算
卖出净收入 = 成交金额 - 印花税 - 佣金 - 过户费

费率：
- 印花税：0.05%（仅卖出）
- 佣金：0.01%（最低 5 元）
- 过户费：0.001%

A 股交易规则：

• 最小交易单位：100 股（1 手）
• 买入必须是 100 股的整数倍
• 卖出可以包含零股
• 满仓策略下的整手再分配逻辑

6. 定时任务调度

系统内置了 Cron 定时任务功能：

• 自动同步市场数据
• 定时触发股票分析
• 自动更新虚拟盘价格
• 自动应用最新策略

AI 分析流程

完整的工作流

graph TD
    A[添加股票] --> B[同步市场数据]
    B --> C[触发渠道分析]
    C --> D1[渠道1分析]
    C --> D2[渠道2分析]
    C --> D3[渠道3分析]
    D1 --> E[综合分析]
    D2 --> E
    D3 --> E
    E --> F[生成投资策略]
    F --> G[应用到虚拟盘]
    G --> H[模拟交易]
    H --> I[盈亏统计]

任务队列系统

所有分析任务都通过任务队列管理：

• 防止重复分析（同一股票同一时间只能有一个分析任务）
• 支持任务重试
• 任务日志记录
• 实时进度更新

LLM 提示词工程

系统精心设计了各类提示词模板：

渠道分析提示词：

你是一个专业的金融分析师。请分析股票 {STOCK_SYMBOL} ({STOCK_NAME})。

数据:
{MCP_DATA}

请输出 JSON 格式：
{
  "targetPrice": <目标价>,
  "buyRating": <0-1的评分>,
  "description": "<分析描述，100字以内>"
}

综合分析提示词：

你是一个高级投资顾问。请综合以下各渠道的分析结果，
给出股票 {STOCK_SYMBOL} 的综合投资建议。

各渠道分析:
{CHANNEL_ANALYSES_JSON}

请输出 JSON 格式：
{
  "summary": "<综合分析摘要，200字以内>",
  "recommendation": "<操作建议: 买入/持有/卖出>",
  "riskLevel": "<low/medium/high>"
}

策略生成提示词：

你是一个组合投资策略师。请基于以下股票池的分析结果，
生成投资组合配置建议。

股票池:
{STOCK_ANALYSES_JSON}

投资风格: {RISK_PREFERENCE}

请输出 JSON 格式：
{
  "summary": "<策略概述>",
  "allocation": [
    {"symbol": "...", "name": "...", "weight": <0-100>, "reason": "..."}
  ],
  "riskLevel": "<low/medium/high>",
  "expectedReturn": <预期年化收益率>
}

为什么会亏损？

这是最有趣的部分。让我分析一下可能的亏损原因：

1. AI 分析的局限性

市场是不可预测的：

• LLM 基于历史数据训练，但市场在不断变化
• 黑天鹅事件无法预测
• 羊群效应和情绪波动难以量化

分析质量的波动：

• 不同模型的分析质量差异大
• 提示词微调可能导致完全不同的结论
• 数据来源的准确性和及时性

2. 交易成本的侵蚀

虽然系统已经精确计算了交易成本，但频繁交易的累积成本不容忽视：

例子：

• 买入 100 万股票：佣金 100 元 + 过户费 10 元 = 110 元
• 卖出 100 万股票：印花税 5000 元 + 佣金 100 元 + 过户费 10 元 = 5110 元
• 一轮完整交易成本：5220 元（0.522%）

如果策略频繁调仓，这些成本会快速累积。

3. 整手交易的限制

A 股的 100 股整数倍规则导致：

• 高价股（如茅台 1800 元）一手需要 18 万
• 100 万资金最多只能买 5 手
• 剩余资金无法充分利用
• 实际仓位可能低于目标配置

系统实现了”满仓整手再分配”逻辑来缓解这个问题，但无法完全解决。

4. 策略参数不当

可能的问题：

• 风险偏好设置不合适
• 调仓频率过高或过低
• 选择的股票池质量不佳
• 权重分配逻辑有缺陷

5. 市场环境因素

• 整体市场下跌（系统性风险）
• 行业轮动
• 风格切换（价值↔成长）

项目亮点

1. 完整的系统设计

从数据获取、AI 分析、策略生成到虚拟盘验证，形成了一个完整的闭环。

2. 精确的成本计算

交易成本的精确模拟让虚拟盘结果更接近真实交易。

3. 灵活的架构

• 分析器可插拔设计
• 支持多个 LLM 提供商
• 渠道配置灵活

4. 完善的测试

• 单元测试覆盖核心逻辑
• E2E 测试验证完整流程
• 边界情况测试

5. 现代化的技术栈

• Go 后端保证高性能
• React + TypeScript 前端体验良好
• Docker 容器化部署方便

未来改进方向

1. 策略优化

• 增加止损止盈逻辑
• 实现动态仓位管理
• 加入市场情绪指标
• 优化调仓触发条件

2. 风险控制

• 最大回撤控制
• 单股持仓上限
• 行业分散度要求
• 波动率目标

3. 数据增强

• 接入更多数据源
• 增加技术指标计算
• 新闻情感分析
• 机构持仓追踪

4. 回测系统

• 历史数据回测
• 参数优化
• 策略对比
• 绩效归因

5. 监控告警

• 实时盈亏告警
• 异常交易告警
• 系统健康监控
• 定期生成报告

技术难点与解决方案

1. LLM 输出的结构化

问题： LLM 输出的 JSON 格式不稳定

解决：

• 设计严格的提示词模板
• 实现输出解析和重试机制
• 添加输出格式验证

2. 并发控制

问题： 多个分析任务同时运行可能导致资源耗尽

解决：

• 实现 LLM 级别的并发控制
• 任务队列去重机制
• 依赖检测（综合分析等待渠道分析完成）

3. 数据一致性

问题： 虚拟盘和主系统的价格同步

解决：

• 实现价格同步 API
• 定时自动更新
• 缓存机制减少调用

4. 浮点数精度

问题： 金额计算需要精确到分

解决：

• 使用四舍五入函数
• 统一精度处理
• 增加单元测试验证

部署架构

Docker Compose 部署

services:
  backend:
    image: zero-volume-market:latest
    ports:
      - "8080:8080"
    volumes:
      - zero-volume-market-data:/app/data

  vs:
    image: zero-volume-market-vs:latest
    ports:
      - "8090:8090"
    volumes:
      - vs-data:/app/data
    environment:
      - MARKET_API_BASE=http://backend:8080

反向代理配置

使用 Nginx 反向代理：

• s.jifan.space → 后端服务
• vs.jifan.space → 虚拟盘服务

开源协议

MIT License

欢迎交流和建议！

总结

“零成交量市场”是一个将 AI 应用于金融投资领域的尝试。虽然目前还在亏损，但这个项目让我学到了：

1. AI 不是万能的 - 金融市场的复杂性远超 LLM 的理解能力
2. 系统设计的重要性 - 完整的闭环系统能够快速验证想法
3. 交易成本的威力 - 频繁交易的成本是策略盈利的重要障碍
4. 持续迭代的必要性 - 需要不断优化策略和系统

最重要的教训： 即使是 AI，也无法战胜市场均值回归的规律。投资仍然需要谨慎和理性。

---

项目地址：github.com/jifanchn/zero-volume-market

在线体验：

• 管理后台：s.jifan.space
• 虚拟盘：vs.jifan.space

欢迎 Star 和 Fork！