构建金融分析智能体：从数据采集到投资建议与组合管理

在需要开发投资研究、智能投顾、组合跟踪或金融情报系统时，用一套可复用的数据采集、技术/基本面分析、风险评估、推荐生成与组合管理流程来搭建金融分析智能体。

适用场景

解决思路

1. 使用 FinancialDataCollector 类集成 yfinance 获取股票数据，并检索财务报表（利润表、资产负债表、现金流量表）以及关键指标（市值、PE 比率、股息率等）。
2. 使用 TechnicalAnalyzer 进行技术分析：计算移动平均线、相对强弱指数（RSI），并识别支撑位与阻力位。
3. 使用 FundamentalAnalyzer 进行基本面分析：计算盈利能力比率（毛利率、营业利润率、净利率、ROA、ROE）、估值比率（PE、PB、PEG、市销率）和流动性比率（流动比率、速动比率、债务股本比）。
4. 使用 RiskAnalyzer 进行风险评估：计算波动率、评估风险价值（VaR）、计算夏普比率，并进行公司风险评估。
5. 使用 InvestmentRecommender 生成投资建议：输出 Strong Buy、Buy、Hold、Sell、Strong Sell 等评级，基于技术与基本面信号计算投资评分，并提供置信水平和风险评估。
6. 使用 PortfolioManager 进行组合管理：计算组合总价值，按目标配置再平衡组合，并评估组合风险与波动率。
7. 构建市场情报能力：分析整体市场趋势与行业表现，计算市场波动率指数，获取经济指标，并识别被低估、成长型和分红型机会。
8. 遵循分析质量最佳实践：使用多个数据源、交叉验证结论、记录假设、考虑时间周期，并计入费用与税费。
9. 遵循风险管理最佳实践：评估下行风险、实施止损、适当分散、按比例控制仓位，并定期复盘。
10. 遵循伦理考量最佳实践：披露利益冲突、避免市场操纵、基于分析给出建议、定期更新建议，并说明局限性。
11. 使用数据 API：yfinance、Alpha Vantage、IEX Cloud、Polygon.io、Yahoo Finance。
12. 使用分析库：pandas、NumPy、scikit-learn、TA-Lib、statsmodels。
13. 按以下流程上手：采集金融数据、执行技术分析、分析基本面、评估风险、生成建议、监控仓位，并定期再平衡。

适用边界 · 注意事项

• 需要实时或高频交易级数据、且对延迟和准确性要求极高的生产场景，仅靠示例中的 yfinance 等免费数据源可能不足。
• 涉及受监管的投资顾问业务时，不能直接依赖自动生成建议，必须满足合规、披露与人工审核要求。
• 缺乏金融领域知识或未对假设、费用、税费和局限性进行说明时，不应直接使用推荐结果做真实投资决策。