今天我与大家分享AI大模型技术在金融分析与量化交易方面的应用，基于阿里通义千问最新推出的Qwen2大模型，我构建了一个股票自动化技术分析与可视化系统。

这个系统主要使用talib、streamlit、openai等多种技术工具和库来获取、分析股票数据，并通过SiliconCloud提供的Qwen2大模型接口对股票的技术指标进行智能分析与可视化。只要输入个股代码，即可获取股票的技术分析数据可视化、AI智能分析和投资参考结果，如下图所示：

我们以英伟达（NVDA）股票为例，输入股票代码NVDA，并选定分析的时间范围，系统基于Qwen2大模型自动输出结果，并对移动平均线、MACD、RSI、OBV等技术分析指标进行可视化展示：

接下来，我将逐步解释代码的每一部分，让大家对这个系统有更清晰的认识。

导入库

首先，我们需要导入多个库，每个库都有其特定的用途：

yfinance帮助我们实现股票数据获取，tablib是一个处理股票数据并进行技术指标计算的Python库、streamlit可以实现API交互以及Web界面展示等功能。

定义大模型API与AI分析函数

我们可以通过SiliconFlow这个平台调用Qwen2大模型，这个平台最近公测上线，可以免费获取 42 元的配额，约 3 亿 token的调用量。它与OpenAI接口适配，安装 OpenAI Python 库后即可使用。之后我们可以直接通过OpenAI的相关接口进行调用，目前平台支持了 OpenAI 相关的大多数参数。把base_url、model、api_key参数修改就可以直接用了。支持的model参数如图所示。

为了与SiliconFlow API进行交互，我们定义了一个函数：siliconflow_run，这个函数通过API密钥与SiliconFlow进行通信，发送请求并接收响应：

然后我们定义一个函数来调用AI模型进行股票技术分析，这个函数接收技术指标数据，构建请求并调用SiliconFlow API进行分析。：

用户输入与股票数据的获取

通过Streamlit的侧边栏，我们获取用户输入的股票代码和日期。这部分代码允许用户通过Web界面输入参数。我们定义函数获取股票名称和股票数据，这些函数通过API获取股票名称和股票数据，并实现了重试机制。

技术分析数据分析与展示

获取数据后，我们进行技术指标计算并调用AI分析函数，然后在Web界面展示结果：

通过这个系统，我们能够实时获取股票数据，计算多种技术指标，并结合最新的AI大模型进行智能分析。它可以为我们的投资决策快速提供智能化支持，特别是对于那些不太理解复杂金融指标的投资者来说，可以辅助他们更好地理解市场动向，但是在实际操作中，我们还需要结合基本面等各种因素来进行全面的分析，然后进行科学的投资决策。

如何学习大模型 AI ？

由于新岗位的生产效率，要优于被取代岗位的生产效率，所以实际上整个社会的生产效率是提升的。

但是具体到个人，只能说是：

“最先掌握AI的人，将会比较晚掌握AI的人有竞争优势”。

这句话，放在计算机、互联网、移动互联网的开局时期，都是一样的道理。

我在一线互联网企业工作十余年里，指导过不少同行后辈。帮助很多人得到了学习和成长。

我意识到有很多经验和知识值得分享给大家，也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑，所以在工作繁忙的情况下还是坚持各种整理和分享。但苦于知识传播途径有限，很多互联网行业朋友无法获得正确的资料得到学习提升，故此将并将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。

第一阶段（10天）：初阶应用

该阶段让大家对大模型 AI有一个最前沿的认识，对大模型 AI 的理解超过 95% 的人，可以在相关讨论时发表高级、不跟风、又接地气的见解，别人只会和 AI 聊天，而你能调教 AI，并能用代码将大模型和业务衔接。

• 大模型 AI 能干什么？
• 大模型是怎样获得「智能」的？
• 用好 AI 的核心心法
• 大模型应用业务架构
• 大模型应用技术架构
• 代码示例：向 GPT-3.5 灌入新知识
• 提示工程的意义和核心思想
• Prompt 典型构成
• 指令调优方法论
• 思维链和思维树
• Prompt 攻击和防范
• …

第二阶段（30天）：高阶应用

该阶段我们正式进入大模型 AI 进阶实战学习，学会构造私有知识库，扩展 AI 的能力。快速开发一个完整的基于 agent 对话机器人。掌握功能最强的大模型开发框架，抓住最新的技术进展，适合 Python 和 JavaScript 程序员。

• 为什么要做 RAG
• 搭建一个简单的 ChatPDF
• 检索的基础概念
• 什么是向量表示（Embeddings）
• 向量数据库与向量检索
• 基于向量检索的 RAG
• 搭建 RAG 系统的扩展知识
• 混合检索与 RAG-Fusion 简介
• 向量模型本地部署
• …

第三阶段（30天）：模型训练

恭喜你，如果学到这里，你基本可以找到一份大模型 AI相关的工作，自己也能训练 GPT 了！通过微调，训练自己的垂直大模型，能独立训练开源多模态大模型，掌握更多技术方案。

到此为止，大概2个月的时间。你已经成为了一名“AI小子”。那么你还想往下探索吗？

• 为什么要做 RAG
• 什么是模型
• 什么是模型训练
• 求解器 & 损失函数简介
• 小实验2：手写一个简单的神经网络并训练它
• 什么是训练/预训练/微调/轻量化微调
• Transformer结构简介
• 轻量化微调
• 实验数据集的构建
• …

第四阶段（20天）：商业闭环

对全球大模型从性能、吞吐量、成本等方面有一定的认知，可以在云端和本地等多种环境下部署大模型，找到适合自己的项目/创业方向，做一名被 AI 武装的产品经理。

• 硬件选型
• 带你了解全球大模型
• 使用国产大模型服务
• 搭建 OpenAI 代理
• 热身：基于阿里云 PAI 部署 Stable Diffusion
• 在本地计算机运行大模型
• 大模型的私有化部署
• 基于 vLLM 部署大模型
• 案例：如何优雅地在阿里云私有部署开源大模型
• 部署一套开源 LLM 项目
• 内容安全
• 互联网信息服务算法备案
• …

学习是一个过程，只要学习就会有挑战。天道酬勤，你越努力，就会成为越优秀的自己。

如果你能在15天内完成所有的任务，那你堪称天才。然而，如果你能完成 60-70% 的内容，你就已经开始具备成为一名大模型 AI 的正确特征了。

这份完整版的大模型 AI 学习资料已经上传CSDN，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】