他自建AI投資組合分析器，Llama 3給股票做體檢

假設你盯著持倉列表，想立刻知道三件事：現(xiàn)在賣掉要交多少稅？下個月價格可能怎么走？以及，這個組合到底有多脆弱。大部分投資追蹤工具只會展示收益率和當前市值，但沒法告訴你這些。一位開發(fā)者把數(shù)據(jù)工程、機器學習、前后端全串了起來，做了一個AI Portfolio Analyzer（投資組合智能分析器），直接在瀏覽器里把上面的問題全回答了。

項目最初的目標就很務實：不是再造一個查看持股的工具，而是能像分析師一樣回答具體問題。“我的組合風險有多大？”“歷史表現(xiàn)透露了什么信號？”“AI能不能直接總結持倉問題？”這些想法把他平時喜歡的幾個技術方向——量化金融、機器學習、全棧工程——擰成了一股繩，最后產(chǎn)出了一個可以直接免費試用的Web應用。

應用連接了NSE（印度國家證券交易所）和NYSE（紐約證券交易所）的實時行情。通過WebSocket推送，價格變動無需手動刷新頁面，組合估值跟著市場跳動。這種做法讓整個體驗輕了不少，不必頻繁請求后端，網(wǎng)絡開銷也壓下去。用戶打開頁面，就像打開一個持續(xù)在線的行情終端，只是所有計算都在云端完成。

機器學習預測部分沒有用單一模型，而是搭了一條三模型并行的管線：指數(shù)平滑（ETS）、隨機森林回歸器、LightGBM。每種模型捕捉的市場行為特征不同——ETS擅長抓趨勢和季節(jié)性，隨機森林對非線性關系敏感，LightGBM在效率和處理大規(guī)模特征上很出色。三者各自訓練，最終生成一份30天的價格預測，和歷史價格線畫在同一張圖上。投資者可以直觀對比：模型認為接下來一個月價格繼續(xù)沿著趨勢走，還是可能偏離歷史軌道。

為了讓非量化背景的投資者也能看懂分析結果，項目接入了Llama 3。它不光是羅列夏普比率這些數(shù)字，而是組合持倉、行業(yè)分布、集中度等數(shù)據(jù)，給出幾段自然語言的總結。例如直接提醒：“你的科技板塊敞口過高”“前三大持倉占組合40%以上，可以考慮分散”“過去一個月最大回撤超過15%”。這種把原生數(shù)據(jù)翻譯成可讀建議的方式，減少了用戶去翻定義的時間。

風險分析模塊提供了幾個常用指標：夏普比率衡量每單位風險的超額回報，索提諾比率專門看下行風險，VaR（在險價值）估算在一定置信度下可能的最大虧損，貝塔系數(shù)衡量相對于大盤的波動幅度，最大回撤記錄從峰值到谷底的最大跌幅。把這些數(shù)字放在一起看，盈虧之外的風險畫像就完整了。即便不是量化研究員，也能感受到自己的組合在極端行情下可能面臨的沖擊。

資本利得稅引擎給整個工具增加了實用的一層。應用支持FIFO（先進先出）的批量匹配，自動區(qū)分短期和長期資本利得，并估算應繳稅額。它還標記了哪些持倉可以通過“收割”虧損來優(yōu)化稅負。賣出之前，用戶可以先看稅后收益變化，這個設計直接對應到了投資者日常最糾結的問題之一：現(xiàn)在賣出劃不劃算？

技術棧的后端是Python和FastAPI，搭配SQLite做輕量存儲，WebSocket負責實時推送。機器學習部分依賴Scikit-Learn、LightGBM、Pandas和NumPy。前端用React加TypeScript和Vite構建，部署在Vercel和Render上。整個選型追求的是快和穩(wěn)：FastAPI天然支持異步，能高效處理并發(fā)請求；SQLite無需單獨部署數(shù)據(jù)庫服務，非常適合個人項目和小團隊；Vite讓前端構建飛快。前后端通過清晰的接口解耦，任何一方出問題都不影響核心數(shù)據(jù)流。

做這類應用總會遇到幾個典型的坑。首先是設計能夠高效服務組合數(shù)據(jù)的API。投資組合的資產(chǎn)可能很多，每次請求如果返回全部歷史價格，數(shù)據(jù)包會迅速膨脹。作者需要精心設計響應結構，只讓前端拿到必要的數(shù)據(jù)，把計算留給后端。其次是保持市場數(shù)據(jù)實時響應的同時，不把第三方行情源拉爆。WebSocket連接管理和節(jié)流策略都要小心調(diào)試。除此之外，多個機器學習模型的推理速度也要優(yōu)化，否則用戶等待預測圖表會不耐煩。作者通過組合模型輕量化預測管道，最終讓一次分析在幾秒內(nèi)完成。

這個項目還暗含一條邏輯：讓AI從“工具”變成“解釋者”。大部分投資軟件把指標堆出來，剩下靠用戶自己解讀。AI Portfolio Analyzer則用Llama 3把指標翻譯成人話，把建議放在眼前。雖然它的預測不能當作投資依據(jù)，但快速了解組合弱點這件事本身，就降低了普通投資者的決策門檻。對于一個把多種技術揉進一個項目的嘗試來說，它已經(jīng)做到了比很多付費工具更貼心的體驗。源碼全開在GitHub上，感興趣的讀者可以直接拉下來，跑在自己電腦上，或者點點那個Vercel上的演示鏈接，親自試一把給持倉做體檢的感覺。