【学习工作赛道】A股智能投研助手——输入一家上市公司，自动生成一份基础投研分析报告

TRAE AI 创造力大赛 【大赛初赛专区】
1

【学习工作赛道】A股智能投研助手——输入一家上市公司，自动生成一份基础投研分析报告

0. 先和大家打个招呼吧 :waving_hand:

  • 是什么：一个面向 A 股市场的机构级智能投研 Web 系统，基于多 Agent 协作架构，自动完成从数据采集、财务分析、估值建模到研报生成的全流程投研工作。

    面向谁：个人投资者、私募/公募研究员、券商投顾、金融专业学生——任何需要快速获取 A 股公司深度研报但缺乏机构级数据工具的人。

    主要功能：

    1. 一键生成深度研报：输入股票名称，系统调度 12 个专业 Agent 协作，5-8 分钟产出一份机构级深度研报（含公司画像、财务分析、DCF/PE/PB 多方法估值、可比公司、风险矩阵、催化剂），支持 Markdown / DOCX / PDF / XLSX / JSON 五种格式导出。

    2. 6 大真实数据源聚合：腾讯财经、雪球、新浪财经、AkShare、东方财富、巨潮资讯，自动抓取行情、财务三表、公告、新闻、研报评级，覆盖 A 股全市场。

    3. 算法可解释的估值引擎：不是黑盒 LLM 生成数字，而是 DCF 三档情景 + 行业 PE/PB 加权 + 可比公司锚定，每一步计算都有 fcf_note 追溯，目标价限幅 60%-200%，评级与 upside 方向一致性校验。

      4583d7ed6091b953c13a977c89f15871
      4583d7ed6091b953c13a977c89f158712610×1964 359 KB

    4. ad70a126ee90f5cbc999e28ea211debe
      ad70a126ee90f5cbc999e28ea211debe1920×1455 399 KB

    5. 4beb1f34b3c30600ec78c6cea1b78890
      4beb1f34b3c30600ec78c6cea1b788902558×1972 465 KB

    6. 245f7ee989410af898913e28356642f9
      245f7ee989410af898913e28356642f91920×1461 262 KB

1. Demo 简介

  • 灵感来源：A 股市场有 5000+ 上市公司，普通投资者想看一份像样的深度研报，要么花几千块买券商报告（还未必覆盖到想看的票），要么自己从同花顺/东方财富一个个翻数据拼 Excel，一份报告搞一整天。而机构用的 Wind/Choice 终端年费几万到几十万，个人根本用不起。我想用 AI 把这个流程自动化、平民化。

    想解决的问题：

    • 数据散落：财务数据在东方财富、公告在巨潮、新闻在雪球、行情在腾讯——投资者要在 6 个网站来回切换

    • 分析门槛高：DCF 估值、杜邦分解、现金流质量这些专业分析，普通投资者不会算

    • 报告生成慢：即使有数据，写成一份结构化研报也要半天

    为什么做这个方向：

    • 投研是"数据密集 + 规则明确 + LLM 增强价值高"的场景——适合多 Agent 架构

    • A 股有 T+1、涨跌停、申万行业分类等特色，直接用海外的估值模型会出错，必须做本土化适配

    • StepFun 等国产大模型成本极低（step-3.7-flash），单份报告 LLM 成本不到 1 分钱，商业模式成立

2. Demo 创作思路

  • 灵感来源：A 股市场有 5000+ 上市公司，普通投资者想看一份像样的深度研报，要么花几千块买券商报告（还未必覆盖到想看的票），要么自己从同花顺/东方财富一个个翻数据拼 Excel，一份报告搞一整天。而机构用的 Wind/Choice 终端年费几万到几十万，个人根本用不起。我想用 AI 把这个流程自动化、平民化。

    想解决的问题：

    • 数据散落：财务数据在东方财富、公告在巨潮、新闻在雪球、行情在腾讯——投资者要在 6 个网站来回切换

    • 分析门槛高：DCF 估值、杜邦分解、现金流质量这些专业分析，普通投资者不会算

    • 报告生成慢：即使有数据，写成一份结构化研报也要半天

    为什么做这个方向：

    • 投研是"数据密集 + 规则明确 + LLM 增强价值高"的场景——适合多 Agent 架构

    • A 股有 T+1、涨跌停、申万行业分类等特色，直接用海外的估值模型会出错，必须做本土化适配

    • StepFun 等国产大模型成本极低（step-3.7-flash），单份报告 LLM 成本不到 1 分钱，商业模式成立

3. Demo 体验地址（三选一）

地址：https://ashare.deeplab.im/ ，用户名：boqi，密码：12345678

登录可生成报告，不登录可以查看已生成的报告。

可体验内容：

  • 首页查看已生成的研报列表

  • 输入任意 A 股股票名称，实时生成深度研报（观看多 Agent 协作进度流）

  • 查看研报详情：财务图表、估值表格、可比公司、风险矩阵

  • 下载研报：Markdown / DOCX / PDF / JSON 格式

4. TRAE 实践过程

  • 4.1 开发流程总览

    整个项目从零到上线，全程使用 TRAE IDE 开发，核心经历了 4 个阶段：

    阶段 内容 周期
    阶段一 多 Agent 架构搭建 + 6 大数据源接入 + 基础研报生成 2 天
    阶段二 StepFun LLM 集成 + 800 份批量报告生成 + 算法验证 2 天
    阶段三 生产部署（宝塔面板 + Nginx + SSL）+ 用户/权限系统 1 天
    阶段四 前 50 大市值公司算法深度优化（CapEx 修复 / 评级逻辑 / DCF 校验） 1 天

    4.2 关键开发步骤

    步骤一：多 Agent 系统架构搭建

    用 TRAE 的 Search 功能快速定位代码结构，通过对话指导 TRAE 创建了 12 个专业 Agent（CompanyProfile、FinancialStatement、Valuation、Risk 等），每个 Agent 内含多个可复用 Skill。TRAE 帮助生成了 Agent 基类、任务编排器（OrchestratorAgent）和 8 阶段流水线。

  • image
    image1928×1754 317 KB

    步骤二：专业机构的全方位提升

    从专业机构角度，提升每个部分的内容质量。从卖方分析师、买方 PM、风控合规、产品/UX 四个维度给您全面 audit。共 8 大类、47 个具体优化点。

  • 31c7a007-9891-423d-a3e4-1b0d3513715f
    31c7a007-9891-423d-a3e4-1b0d3513715f1938×1750 249 KB

    步骤三：StepFun LLM 集成 + 批量报告生成

    通过 TRAE 对话配置 StepFun API（step-3.7-flash 模型），编写批量生成脚本 batch_top50.py，用 httpx.Client 管理登录态 Cookie，逐个生成 50 份报告并记录进度到 JSON 文件。TRAE 帮助调试了 httpx 替代 requests.Session 的 Cookie 问题、超时从 10 分钟调整到 20 分钟等工程细节。

  • 67fc0815-39c3-4600-ae16-f34c41f36b77
    67fc0815-39c3-4600-ae16-f34c41f36b771888×1714 263 KB

    步骤四：算法深度优化（核心亮点）

    生成 50 份报告后，用 TRAE 编写 analyze_reports.py 分析脚本，扫描所有报告的关键指标（DCF ratio、目标价偏离、评级一致性），发现并修复了 8 个算法缺陷：

    1. CapEx=0 核心 BUG：发现 50 份报告全部 CapEx=0，溯源到 FinancialStatement dataclass 缺少 capex 字段 + Sina 连接器未解析"购建固定资产"行项目。TRAE 帮助定位到 sina_connector.py 的 _parse_cashflow 方法，添加 CapEx 行解析，修复后 50/50 份报告 CapEx 数据正常。

    2. DCF 校验未触发：工业富联 base_per_share=0 时跳过校验，导致目标价异常。TRAE 帮助将校验条件从 base_per_share > 0 改为 base_per_share <= 0 or ratio > 1.8 or ratio < 0.7。

    3. Gordon 模型发散：增长率 > 折现率时 terminal_value 发散，三档情景 per_share 完全相同。添加 growth_cap = discount_rate * 0.8 限制。

    4. 评级与 upside 矛盾：茅台 upside -28.7% 却评级"中性"。添加 upside 一票否决机制。

    5. 金融行业识别不全：工商银行"国有大行"未识别为金融行业。扩展关键词列表。

    6. PE 评分顺序 BUG：pe_ttm > 50 在 pe_ttm > 100 前面，导致 >100 的扣分永不执行。修正判断顺序。

    7. equity_value 负值：净债务 > 企业价值时股权价值为负。添加 max(0, ...) 兜底。

    8. 可比公司 PE 异常值：PE=180 拉偏 avg_pe。收紧过滤阈值至 PE≤80。

    4.3 关键任务对话 Session ID

    以下 Session ID 对应 TRAE IDE 中的关键开发对话，证明作品由 TRAE 开发完成：

    1. Session ID: 1523301628524792:acae62eb90570dd22741b12f5d9d00ea_6a30f8913bfa15b0f610d800.6a30f8913bfa15b0f610d803.6a30f8913bfa15b0f610d801:TRAE Work CN.0.1.30.no_sid.no_ppe.T(2026/6/16 15:17:37)

      • 内容：多 Agent 架构搭建、6 大数据源开发、StepFun 集成、批量报告生成、生产部署、SSL 证书排查、用户权限系统、算法深度优化（CapEx 修复 / DCF 校验 / 评级逻辑）

    2. Session ID: 1523301628524792:c3cccb1ea3e4c5c93892852e0c1e1873_6a30f8913bfa15b0f610d800.6a31182a3bfa15b0f610dac1.6a31182a3bfa15b0f610dabf:TRAE Work CN.0.1.30.no_sid.no_ppe.T(2026/6/16 17:32:26)

      • 内容：当前对话——可以自定义加入minimax和stepfun的api，不仅仅是要通过agent 和skill获取数据，还要用大模型进行详细的分析后再输出专业的投行级别的报告。

    3. Session ID: 1523301628524792:59587118a70d74c4d0e1cac0cd3dde46_6a30f8913bfa15b0f610d800.6a3259303bfa15b0f610e584.6a3259303bfa15b0f610e582:TRAE Work CN.0.1.30.no_sid.no_ppe.T(2026/6/17 16:22:08)

      • 内容：全面提升优化。

5. 对应的报名审核通过的帖子链接

6. 经验总结与开发心得

6.1 TRAE 带来的效率提升

  • Search + Read 协同：6 大数据源 Connector 涉及 20+ 文件，TRAE 的语义搜索能快速定位"现金流解析在哪"“估值算法在哪”，比传统 grep 效率高 10 倍

  • 批量 Edit：修复 CapEx BUG 时需要同时改 dataclass 定义、Sina 解析器、合并逻辑、DCF 计算逻辑——4 个文件一次对话搞定

  • 长上下文记忆：跨天的开发上下文（比如 3 天前部署的 Nginx 配置）TRAE 能记住，不用反复解释

6.2 算法可解释性 > 黑盒 LLM

最初尝试纯 LLM 生成目标价，结果出现"工业富联目标价下跌 63%"这种荒谬结果。后来改为规则引擎为主 + LLM 增强为辅：DCF/PE/PB 用确定性公式计算，LLM 只负责生成文字解读和业绩预测。每份报告都带 fcf_note 字段记录 FCF 计算过程，dcf_summary 记录 DCF 关键参数，方便回溯验证。

6.3 国产化适配

  • LLM 用 StepFun step-3.7-flash，单份报告成本 < 1 分钱

  • 数据源全部国产（腾讯/雪球/新浪/AkShare/东方财富/巨潮）

  • 适配 A 股特色：T+1 制度、涨跌停限制、申万行业分类、国有大行/股份制银行等细分行业识别

1 个赞