使用Codex建立属于自己的AI股票分析系统

很多人用 AI 分析股票，基本还是这种方式：

打开 ChatGPT → 输入股票代码 → 问今天怎么看 → 得到一段分析 → 第二天重新来一遍。

这种方式当然能用，但它更像是在用 AI 聊股票，而不是建立真正的 AI 股票分析系统。

如果换一个思路，用 ChatGPT Codex + Python + GitHub Actions + 多个 AI 模型 + Email，其实可以搭建出一套自动运行的股票研究工作流：

每天自动获取行情 → 自动计算技术指标 → 多模型分析 → 生成报告 → Email 发送到手机。

整个系统搭好以后，你不需要每天重复复制数据、写提示词、整理结果。

每天早上打开邮箱，就能直接看到当天的股票分析报告。

这篇文章就把整个思路讲清楚。

一、先搞明白：Codex 在这里到底负责什么？

很多人看到 Codex，会把它理解成一个更强的 ChatGPT。

其实在这个项目里，更适合把 Codex 理解成：

一个帮你把想法真正变成程序的 AI 开发助手。

过去如果你想自己开发一套股票分析系统，需要完成很多工作：

• 创建 Python 项目

• 设计文件结构

• 编写行情获取代码

• 对接股票数据源

• 计算技术指标

• 调用 AI API

• 编写 Prompt

• 生成分析报告

• 编写 Email 模块

• 处理异常

• 测试程序

• 上传 GitHub

• 配置 GitHub Actions

如果完全不会编程，这套东西看起来门槛很高。

但 Codex 最大的价值，就是把大量开发工作交给 AI。

你真正需要做的，是把需求说清楚。

例如你可以直接告诉 Codex：

帮我创建一个 Python 股票分析项目。

>

每天获取指定股票最新行情，计算 MA5、MA20、MA60、RSI、MACD 等技术指标，再调用多个 AI 模型分别分析技术面、基本面、市场趋势和风险，最后生成 HTML 报告并通过 Email 发送。

接下来，Codex 就可以围绕这个目标帮你建立项目。

所以整个系统的关系可以理解为：

你负责定义需求，Codex 负责开发系统，GitHub Actions 负责每天运行系统，AI 模型负责分析数据。

二、整套 AI 股票分析系统是怎么运行的？

完整流程：

股票数据源 → Python 获取行情 → 计算技术指标 → 整理股票相关数据 → 调用多个 AI 模型 → 综合不同模型结果 → 生成 HTML / Markdown 分析报告 → Email 自动发送 → GitHub Actions 第二天继续执行

最终形成一个自动循环。

你不需要每天主动打开程序，只需要让 GitHub Actions 按照设定好的时间执行即可。

三、第一步：使用 Codex 创建项目

如果已经安装并能够正常使用 Codex，可以直接在电脑端创建一个新的项目目录：

AI-Stock-System/

然后让 Codex 帮你设计整个项目。

一个比较完整的目录可以类似这样：

不要一上来就让 Codex 把所有代码塞进一个 main.py。把数据、技术指标、AI、报告、邮件分别拆开，后面修改起来会轻松很多

四、第二步：建立股票数据模块

AI 分析股票之前，首先得有数据。

最基本的数据包括：

• 股票代码

• 当前价格

• 开盘价

• 最高价

• 最低价

• 收盘价

• 成交量

• 历史价格

如果分析美股，可以根据实际需求选择 Yahoo Finance 等数据源；如果分析 A 股，则需要根据数据授权、稳定性和使用场景选择合适的数据接口。

这里需要特别注意：

AI 本身不是实时行情数据库。

更合理的方法是：

程序负责拿真实数据，AI 负责理解数据。

五、第三步：自动计算技术指标

拿到历史行情以后，就可以让 Python 自动计算常用技术指标：

• MA5、MA20、MA60、RSI、MACD、成交量变化、布林带、ATR、KDJ、EMA、支撑位、压力位、波动率、近期高低点。

这些数据最好由 Python 计算，而不是让 AI 自己算。

程序更适合做确定性的数学计算，AI 更适合做解释、归纳、比较和推理。

六、第四步：不要只让一个 AI 模型分析

可以分别接入：OpenAI、Gemini、DeepSeek、Claude

多模型真正有价值的地方，不是把同一份数据扔给四个模型，而是给不同模型分配不同任务。

模型 A：技术面

负责均线趋势、MACD、RSI、成交量、支撑压力和短期趋势。

模型 B：基本面

负责营收、利润、估值、行业情况和公司经营变化。

模型 C：新闻与事件

负责公司新闻、行业新闻、财报、政策、重大事件和市场情绪。

模型 D：风险审查

专门寻找前面几个模型可能忽略的问题，包括分析最大的风险、与看多观点冲突的数据、证据不足的结论，以及原判断可能失效的条件。

七、第五步：建立统一的 AI 综合评分

几个模型完成分析之后，可以建立一个综合模块，例如：

技术面：偏多 筹码面：中性 趋势：偏多 基本面：中性 市场情绪：偏多 风险等级：中等

AI 综合评分：82 / 100

需要注意：

82 分并不代表股票有 82% 的概率上涨。

这个分数应该是系统内部的一套评价体系，例如：

技术面 30% 基本面 25% 趋势强度 20% 市场情绪 15% 风险控制 10%

根据不同模块结果加权，评分才有依据。

八、第六步：自动生成每日股票报告

分析完成后，可以自动生成 HTML 或 Markdown 报告，例如：

今日 AI 股票晨报 2026/08/17

股票：XXXX

AI 综合评分：82 / 100

技术面：偏多 筹码面：中性 趋势：偏多

今日价格：XXX 成交量：XXX MA5：XXX MA20：XXX MA60：XXX RSI：XXX MACD：XXX

AI 综合分析： ……

主要利好：

1. ……
2. ……
3. ……

主要风险：

1. ……
2. ……
3. ……

重要观察位置： 支撑位：XXX 压力位：XXX

今日需要关注： ……

HTML 报告还可以直接展示表格、图表、评分、趋势、重点提醒和风险提示。

九、第七步：把整个项目推送到 GitHub

本地测试正常之后，把代码推送到 GitHub。

主要有三个好处：

1. 版本控制

2. 云端备份

3. 使用 GitHub Actions 自动运行

第三点最重要，因为它能把一个普通程序真正变成自动化系统。

十、第八步：GitHub Actions 每天自动执行

项目中建立：

.github/workflows/daily_report.yml

执行逻辑：

每天固定时间 ↓ GitHub Actions 启动 ↓ 安装 Python 环境 ↓ 安装 requirements.txt ↓ 读取 API Key ↓ 运行 main.py ↓ 获取最新行情 ↓ 计算技术指标 ↓ 调用 AI ↓ 生成报告 ↓ 发送 Email

需要注意 GitHub Actions 定时任务的 UTC 与本地时区换算，并且计划任务不适合要求秒级准时的场景。

十一、第九步：API Key 不要直接写进代码

例如：

OPENAI_API_KEY GEMINI_API_KEY DEEPSEEK_API_KEY EMAIL_PASSWORD

都不要直接写进代码上传 GitHub。

本地开发可以使用：

.env

上传 GitHub 后使用：

GitHub Secrets

同时记得把 .env 加入 .gitignore。

十二、第十步：每天自动发送到 Gmail

报告生成之后，通过 Email 自动发送。

每天早上可以直接收到：

今日 AI 股票晨报

股票：XXXX AI 综合评分：82 / 100

技术面：偏多 趋势：偏多 风险：中等

关键支撑：XXX 关键压力：XXX

今日重要事件： ……

AI 分析： ……

风险提示： ……

这样就不需要每天重复打开电脑、找行情、打开 AI、输入 Prompt、等待分析、整理结果。

十三、把系统进一步拆成 6 层

如果准备长期使用，建议进一步模块化。

第一层：数据层

负责获取行情、成交量、财务数据、新闻、宏观数据和行业数据。

第二层：计算层

Python 负责 MA、MACD、RSI、波动率、支撑压力、成交量变化和其他量化指标。

第三层：AI 分析层

不同模型分别分析技术面、基本面、新闻、行业、市场情绪和风险。

第四层：决策辅助层

统一输出看多因素、看空因素、风险因素、关键价格、重要事件和综合评分。

第五层：报告层

自动生成 Markdown、HTML、图表、每日晨报和周报。

第六层：自动化层

负责 GitHub Actions、定时执行、Email、失败重试、错误通知和日志。

十四、真正值得做的是自选股批量分析

如果只是分析一只股票，这套系统有点大材小用。

真正有价值的是建立自己的 watchlist：

AAPL、NVDA、TSLA、MSFT、GOOGL

系统每天自动扫描几十只股票，第一轮先进行筛选：

股票 A：86 分 股票 B：81 分 股票 C：77 分 股票 D：63 分 股票 E：51 分

只有超过某个条件的股票，才进入第二轮深度分析。

这样就从 AI 帮我分析一只股票，升级成：

AI 每天替我扫描整个自选股池。

十五、还可以继续升级成 AI 投资研究工作台

新闻监控

自动获取公司公告、财报、行业新闻、宏观事件和重大政策。

异常提醒

例如某股票单日跌幅超过 5%，或者成交量突然放大 200%，自动触发 AI 分析。

财报分析

自动获取财报 → AI 阅读 → 提取核心数据 → 与上一季度比较 → 分析超预期/低预期项目 → 输出财报摘要

多股票排名

每天自动给自选股打分并排序。

历史记录

把每天的 AI 判断保存下来，定期检查过去的判断到底准不准。

如果一个 AI 股票系统永远只生成分析，却从来不验证历史结果，它很容易变成一个看起来高级的内容生成器。

十六、一定要分清 AI 分析和自动交易

这套系统首先应该定位成：

AI 投资研究和信息处理系统。

而不是 AI 自动赚钱机器。

AI 可以帮你整理信息、分析数据、发现异常、总结新闻、对比观点、提醒风险和建立观察列表。

但是：

AI 评分不等于收益预测。

如果未来加入自动交易，还需要额外考虑：

• 回测、滑点、手续费、仓位管理、最大回撤、止损机制、API 异常、数据延迟、风控、交易接口安全

这已经是复杂度完全不同的系统。

十七、这套系统真正厉害的地方，不是预测股票

以前每天可能需要：

看行情、查技术指标、看新闻、查公告、问 AI、整理观点、记录结果

现在变成：

GitHub Actions 自动启动 ↓ Python 自动获取数据 ↓ 程序自动计算指标 ↓ 多个 AI 自动分析 ↓ 自动交叉验证 ↓ 自动生成报告 ↓ 自动发送 Email

AI 最有价值的地方，不一定是替你做投资决策，而是替你完成投资决策之前大量重复的信息处理工作。

十八、最终系统结构

再把整个项目放到 GitHub：

GitHub ↓ GitHub Actions ↓ 每天自动执行 ↓ 获取最新数据 ↓ AI 自动分析 ↓ 生成晨报 ↓ Email 通知

结语

现在用 Codex 做项目，一个很大的变化是：

以前你需要先学会写程序，再去开发工具；现在可以先把自己真正需要的东西描述清楚，再让 AI 帮你完成大量开发工作。

股票分析系统只是其中一个例子。

同样的架构完全可以改造成：

• Crypto 每日研究系统

• AI 新闻情报系统

• 行业研究系统

• 公司监控系统

• 财报分析系统

• 舆情监控系统

• 竞品情报系统

真正值得学习的并不是怎么让 AI 猜一只股票涨不涨，而是学会：

把自己的工作流程拆开，然后让 Codex 把其中可以程序化、自动化的部分真正做出来。

当系统能够自己获取数据、自己分析、自己生成报告、自己通知你的时候，AI 才开始从一个聊天工具，变成真正替你工作的工具。