NSE 多智能体股票研究系统

用多个 AI 智能体抓取实时 NSE 行情与新闻,输出带入场价、止损与置信度的交易建议。

Star 数
★ 125
最近更新
2 个月前
主语言
Python

30 秒速览

可在哪里用
兼容但需适配OpenAI API
开始前需要
Python 3.8+Bright Data API 账户与 Web Unlocker 令牌OpenAI API 密钥Node.js 与 npm(需全局安装 @brightdata/mcp)StreamlitShell / 命令行网络访问本地文件系统MCP Server
典型场景
关注印度股市的个人投资者,想在一个界面里同时看到技术面、量能与新闻情绪的综合判断。
主要局限
强依赖两个外部付费服务:Bright Data 抓取账户与 OpenAI API,缺一不可,且抓取失败会直接中断分析链路。
维护状态
近半年有提交最近提交 2026-09-15

这个 Agent 能做什么,适合哪些场景?

这是一个面向印度 NSE 上市股票的研究工具,由 Streamlit 前端、一个 Supervisor 智能体和四个专职子智能体组成:Stock Finder Agent 负责按流动性、市值与动量筛选标的,Market Data Agent 采集实时价格、成交量与技术指标(RSI、MACD、均线),News Analyst Agent 抓取近期财经新闻并做情绪分类,Recommendation Agent 汇总后给出带目标价、止损位和置信度的建议。数据获取依赖 Bright Data 的 MCP 服务(需全局安装 @brightdata/mcp 并提供 Bright Data 令牌),AI 推理依赖 OpenAI API 密钥,两者都在应用侧边栏里填写。运行方式是本地执行 streamlit run streamlit_app.py,浏览器访问 localhost:8501 后选择短期交易、中期投资或大盘分析类型并点击开始分析。结果以可交互图表、CSV 导出和格式化文本建议呈现,README 明确将其定位为教育与研究用途,不构成投资建议。

用户先在 Streamlit 侧边栏填入 Bright Data API Token 与 OpenAI API Key,并选择分析类型(短期 1-7 天、中期 1-4 周或大盘概览)。点击 Start Analysis 后,Supervisor Agent 调度 Stock Finder Agent 扫描 NSE 标的池、过滤掉低价股与流动性不足的证券;Market Data Agent 通过 Bright Data MCP Server 拉取实时价格、成交量并计算 RSI、MACD、移动平均线及支撑阻力位;News Analyst Agent 抓取近期财经新闻与公告并分类为正面/负面/中性。Recommendation Agent 最终合成 BUY/SELL/HOLD 结论,给出建议入场区间、止损价、目标价、风险回报比与置信度,并以图表与 CSV 的形式在界面中导出。

  1. 关注印度股市的个人投资者,想在一个界面里同时看到技术面、量能与新闻情绪的综合判断。
  2. 做短线(1-7 天)交易的研究者,需要具体的入场区间、止损位和目标价参考。
  3. 想了解 NSE 大盘或跨行业选股机会的用户,可用 General Market Analysis 模式获取板块概览。
  4. 把输出当作研究素材、需要导出 CSV 做二次统计或回测记录的分析人员。
  5. 想学习多智能体编排(Supervisor + 子 Agent)与 MCP 数据接入方式的开发者。

安装与配置要点

摘自下方的安装和使用说明,以项目 README 的最新说明为准。

安装 / 启动命令
  • pip install -r requirements.txt
  • npm install -g @brightdata/mcp
  • pip install -r requirements.txt --force-reinstall
配置文件
.env.example .env
运行环境
Python 3.8+

如何安装或部署这个 Agent?

需要 Python 3.8+、Node.js/npm、一个 Bright Data 账户(在 Zones → Web Unlocker 中取 API Token)以及一个 OpenAI API 密钥(以 sk- 开头)。

git clone https://github.com/rooneyrulz/agentic-stock-research-system
cd nse-stock-research-system
pip install -r requirements.txt
cp .env.example .env
npm install -g @brightdata/mcp

随后编辑 .env 填入两组密钥。若安装失败,README 建议 pip install -r requirements.txt --force-reinstall,MCP 问题可先 npm uninstall -g @brightdata/mcp 再重装。

如何使用这个 Agent?

启动应用并在浏览器打开 8501 端口:

streamlit run streamlit_app.py

在页面侧边栏输入 Bright Data Token 与 OpenAI API Key,选择分析类型后点击 Start Analysis,等待多智能体依次完成数据抓取、指标计算与建议生成。结果页可查看交互图表、复制格式化建议文本,或用 CSV 导出按钮下载。若密钥报错,先确认 Bright Data 令牌有余额、OpenAI 密钥配额可用;Streamlit 状态异常时可执行 streamlit cache clear。

这个 Agent 有哪些优点和局限?

优点
  • 职责清晰的多智能体拆分:选股、行情、新闻、建议四个 Agent 各司其职,由 Supervisor 统一调度,便于单独替换某一环节。
  • 输出可直接落地:每条建议都带入场区间、止损价、目标价、风险回报比与置信度,而不是笼统的看多看空。
  • 通过 Bright Data MCP 抓取公开网页数据,不依赖需要付费订阅的行情 API;技术指标(RSI、MACD、均线)在本地计算。
  • 提供 Streamlit 图形界面、交互图表与 CSV 导出,非开发者也能操作。
  • README 明确了风险提示与教育/研究定位,并列出常见故障的排查命令。
局限
  • 强依赖两个外部付费服务:Bright Data 抓取账户与 OpenAI API,缺一不可,且抓取失败会直接中断分析链路。
  • 运行时还需要全局安装 Node 包 @brightdata/mcp,Python 与 Node 双运行时增加了环境复杂度。
  • 仓库描述与 README 的许可证信息不一致(描述为 unknown,README 称 MIT),采用前需自行核实。
  • 仅覆盖印度 NSE 市场,数据抓取为网页驱动,未提供官方行情 API 或回测框架。
  • 推荐结果依赖 LLM 推理,缺少对建议准确率的公开验证或测试用例。

这个 Agent 与同类方案有什么区别?

与相关度最高的同类 agent 并排比较关键指标。

Agent 源码审查 形态 / 费用 Star 最近更新 主语言 完整支持的平台
NSE 多智能体股票研究系统 当前 38 · 缺口较多 — ★ 125 2 个月前 Python OpenAI API
PRISM-INSIGHT 52 · 缺口较多 命令行工具免费 + 模型费 ★ 812 今天 Python ChatGPT · OpenAI API
QuantHarness:面向高频交易的价驱多智能体LLM 38 · 缺口较多 网页应用免费 + 模型费 ★ 2.9k 3 个月前 HTML OpenAI API · Claude API
Yuxi(语析)——可私有部署的多租户知识智能体平台 85 · 表现良好 自托管服务免费 + 模型费 ★ 7.7k 1 天前 Python OpenAI API

FollowAgents 如何评估这个 Agent?

FollowAgents 源码审查 · FARS-2.1
缺口较多
38/ 100 五分制 1.9 / 5
信任安全 8/29
可靠稳定 5/14
适用触发 8/18
规范维护 8/18
有效结果 6/13
证据核验 3/8
查看各维度的扣分理由
信任安全8 / 29 · 1.4/5

证据显示系统通过 stdio 启动 npx @brightdata/mcp 并注入 API_TOKEN,权限范围基本限于抓取与 LLM 调用,但未见对工具调用的最小权限约束或用户确认环节;API 密钥在 Streamlit 侧栏以 password 输入,但代码中未见持久化或日志脱敏的明确处理;依赖以无版本上限的 requirements.txt 声明,存在供应链不确定性;无回滚/撤销机制;README 与代码存在不一致(README 称 OpenAI,代码用 Groq),归因薄弱。故各项多为 1,rollback 为 0。

可靠稳定5 / 14 · 1.8/5

代码结构清晰但 main.py 在 analyze_stocks 处被截断,无法确认完整流程;依赖版本在 pyproject 与 requirements 间不一致(如 langchain-groq 缺失于 requirements),存在可用性风险;错误处理与失败信息仅见日志与侧栏校验,未见面向用户的明确失败提示。故均为 1。

适用触发8 / 18 · 2.2/5

README 明确面向 NSE 印度股票、短/中/一般三类场景,受众与场景描述较充分(2);但能力边界(如仅限 NSE、依赖外部 API 额度)未系统说明,触发条件依赖自由文本查询,精度有限;环境要求 Python 3.8+ 与 pyproject 的 3.12 冲突,环境适配存在矛盾。故边界/触发/环境均为 1。

规范维护8 / 18 · 2.2/5

README 信息架构完整、安装步骤与故障排查较清晰(2/2),示例输出具体(2);但命名在 README(streamlit_app.py)与文件(app.py)间不一致,版本历史仅 README 内简述,LICENSE 文件未在包内提供仅被引用,维护责任与更新路径不明。故命名/版本/许可/维护均为 1,已知限制仅免责声明层面为 1。

有效结果6 / 13 · 2.3/5

输出含结构化推荐、CSV 导出与图表,可用性较好(2);但解析依赖正则从自由文本提取,鲁棒性存疑,边际价值受限于单一市场与外部 API 依赖,成本收益因需 Bright Data 与 Groq 双付费而一般。故边际价值与成本收益为 1。

证据核验3 / 8 · 1.9/5

推荐基于实时抓取与 LLM 推理,但未见对数据来源的逐条引用或事实/推断分离标注;README 示例输出为静态样例,无法追溯;跨源佐证依赖单一 Bright Data 通道。故均为 1。

风险与缓解建议
  • 源码中未见:回滚或恢复路径运行前先备份,或在 git 分支、快照上操作,确保改动可以撤销。
  • README 与代码不一致:README 要求 OpenAI API key,但 main.py 实际使用 ChatGroq/GROQ_API_KEY,配置说明可能误导用户。
  • 依赖声明不一致且无版本上限:requirements.txt 缺少 langchain-groq,pyproject 要求 Python>=3.12 而 README 称 3.8+,可能导致安装失败。
  • main.py 在 analyze_stocks 处被截断,无法确认完整工作流、错误处理与输出解析逻辑。
  • 推荐解析依赖正则从自由文本提取,格式变化时可能产生错误或空结果。
  • 系统需 Bright Data 与 Groq 双付费 API,成本与额度依赖外部服务,且未见回滚或撤销机制。
  • LICENSE 文件未包含在包内,仅 README 引用 MIT,许可元数据未知。
证据充分度:低 评估于 2026年11月16日 审查版本 22f9d9e69e7c
查看完整评分方法 →
你是这个项目的维护者?把 FARS 徽章加到 README

徽章显示当前的评审分数和结论,点击回到本页。重新评审后约一小时内更新。

FARS

[![FARS 评测](https://followagents.com/badge/agentic-stock-research-system.svg?lang=zh)](https://followagents.com/zh/agents/agentic-stock-research-system)
<a href="https://followagents.com/zh/agents/agentic-stock-research-system"><img src="https://followagents.com/badge/agentic-stock-research-system.svg?lang=zh" alt="FARS 评测"></a>

常见问题

NSE 多智能体股票研究系统 开源吗?
源码公开在 GitHub(rooneyrulz/agentic-stock-research-system),但仓库没有声明通用的开源许可证,能不能复用、修改并不明确。在此基础上开发前,建议先看 README 或询问作者。
NSE 多智能体股票研究系统 安全吗?
FollowAgents 的 FARS 评审(2026年11月16日)给 NSE 多智能体股票研究系统 的“信任与安全”打了 8/29 分。评审没有在源码和文档里找到这些安全措施:回滚或恢复路径。接入真实账号或数据前:运行前先备份,或在 git 分支、快照上操作,确保改动可以撤销。
NSE 多智能体股票研究系统 还在维护吗?
更新变慢了:GitHub 上最近一次提交是 2026-09-15,在最近半年内,但不在最近 30 天内。
NSE 多智能体股票研究系统 是谁开发的?
NSE 多智能体股票研究系统 由 GitHub 账号 rooneyrulz 发布。FollowAgents 没有核实这个账号背后是哪个人或公司。
这页内容对你有帮助吗?
在 GitHub 查看 ↗ 安装 ↓

相关核心概念