AI4Finance-Foundation/FinRobot · 上手攻略

仓库：AI4Finance-Foundation/FinRobot
链接：https://github.com/AI4Finance-Foundation/FinRobot
分类：ai
作者：Tom
更新：2026-07-13

一、FinRobot 是什么

FinRobot 是 AI4Finance Foundation 推出的开源金融 AI Agent 平台，旨在将大语言模型（LLM）与金融分析深度融合，用多 Agent 协作替代传统的单一模型方案。

它的核心理念是：数字靠代码计算，叙事靠 LLM 辅助，每一步输出都可溯源。所有财务估值（DCF、DDM、LBO、WACC、可比公司法等）都通过确定性 Python 代码完成，LLM 只负责推理、合成和报告撰写——这样既避免了幻觉导致的估值错误，又保留了自然语言分析的灵活性。

项目主页：https://finrobot.ai/

二、解决什么问题

传统金融分析工具的痛点：

单一模型局限：FinGPT 等早期方案依赖单个 LLM，无法完成复杂的分工协作
数字不可信：直接让 LLM 输出财务数据，容易产生幻觉数字
报告靠人工：从财报到研报需要大量人工整理和计算
数据来源分散：需要同时从 FMP、Finnhub、SEC EDGAR、yfinance 等多个渠道获取数据

FinRobot 的目标是一站式解决：输入股票代码 → 多 Agent 协作分析 → 输出可溯源的专业级Equity Research Report（支持 HTML/PDF）。

三、快速安装

方式一：桌面应用（macOS Apple Silicon 最简方案）

下载最新 DMG 安装包（截至本文发布为 v0.1.0）：

# 1. 下载地址（GitHub Releases 页面）
# https://github.com/AI4Finance-Foundation/FinRobot/releases/tag/desktop-v0.1.0
# 下载 FinRobot_0.1.0_aarch64.dmg（M1/M2/M3 Mac）

# 2. 拖入 Applications 后，首次启动若提示"app已损坏"，终端执行：
xattr -cr /Applications/FinRobot.app

# 3. 打开应用，按提示配置 API Keys

⚠️ 注意：当前版本仅支持 Apple Silicon Mac（M1/M2/M3），不支持 Intel Mac。尚未经过 Apple 公证。

方式二：Web 界面（通用，推荐 Python 3.10+）

# 1. 克隆仓库
git clone https://github.com/AI4Finance-Foundation/FinRobot.git
cd FinRobot

# 2. 创建虚拟环境（建议 Python 3.10+，README 提到需 Python 3.6+，但 3.10 最稳）
conda create --name finrobot python=3.10
conda activate finrobot

# 3. 安装依赖（从 PyPI）
pip install -U finrobot

# 或从源码安装
pip install -e .

# 4. 配置 API Keys
cp finrobot_equity/core/config/config.ini.example finrobot_equity/core/config/config.ini
# 编辑 config.ini，填入 fmp_api_key、openai_api_key、adanos_api_key

# 5. 配置 LLM（以 OpenAI 为例）
cp OAI_CONFIG_LIST_sample OAI_CONFIG_LIST
# 编辑 OAI_CONFIG_LIST，填入你的 openai_api_key

# 6. 启动 Web 应用
chmod +x deploy.sh
./deploy.sh start
# 或手动启动
python run_web_app.py
# 访问 http://127.0.0.1:8001

所需 API Keys（至少需要 FMP 和 OpenAI）：

服务	申请地址	说明
FMP API	https://site.financialmodelingprep.com/developer	免费套餐有额度限制，财务数据必填
OpenAI API	https://platform.openai.com/account/api-keys	模型调用
Adanos API	https://adanos.ai（推测）	可选，零售情绪分析
SEC API	https://www.sec.gov/filers/edgar-api	可选，SEC 文件访问

⚠️ 数据粒度与免费套餐限制：FMP 免费套餐仅支持有限 ticker 和有限历史数据；生产环境建议付费套餐。

四、核心用法

4.1 Web 界面操作流程

打开 http://127.0.0.1:8001
输入股票代码（如 NVDA）和公司名称
可选：添加同行业 peer tickers（如 AMD, INTC）
点击生成，等待多 Agent 协作完成分析
下载 HTML/PDF 格式的 Equity Research Report

4.2 命令行深度分析

# 第一步：生成财务分析
python finrobot_equity/core/src/generate_financial_analysis.py \
  --company-ticker NVDA \
  --company-name "NVIDIA Corporation" \
  --config-file finrobot_equity/core/config/config.ini \
  --peer-tickers AMD INTC \
  --generate-text-sections

# 输出结果在 output/NVDA/analysis/ 目录
# 生成：financial_metrics_and_forecasts.csv、ratios_raw_data.csv 等

# 第二步：生成研报
python finrobot_equity/core/src/create_equity_report.py \
  --company-ticker NVDA \
  --company-name "NVIDIA Corporation" \
  --analysis-csv output/NVDA/analysis/financial_metrics_and_forecasts.csv \
  --ratios-csv output/NVDA/analysis/ratios_raw_data.csv \
  --config-file finrobot_equity/core/config/config.ini

4.3 多 Agent 架构解析

用户研究请求
     ↓
Lead Agent（编排器）
     ↓
Data Agent → Analysis Agent → Modeling Agent → Synthesis Agent → Report Agent
     ↓
Bull Agent ↔ Bear Agent → Judge Agent
     ↓
可溯源的 Equity Research Report

Lead Agent：负责任务路由和整体协调
Data Agent：从 FMP/Finnhub/SEC 等获取原始数据
Analysis Agent：处理数据、计算比率
Modeling Agent：运行 DCF、DDM、LBO、WACC、Monte Carlo 等模型
Synthesis Agent：综合分析，形成投资论点
Report Agent：撰写结构化研报
Bull/Bear/Judge Agents：多空辩论，模拟投资委员会决策过程

4.4 Jupyter Notebook 教程

仓库内置两套教程：

# 位于 tutorials_beginner/
# 1. agent_annual_report.ipynb — 年报分析 Agent
# 2. agent_fingpt_forecaster.ipynb — 市场预测 Agent

# 激活环境后启动
jupyter notebook tutorials_beginner/

五、典型适用场景

场景	说明
个股深度研究	输入股票代码，自动完成财务建模、估值、Peer 对比，输出完整研报
投资团队快速初筛	对多个标的快速跑一遍，输出结构化数据用于人工筛选
学生/新手学习金融建模	看源码理解 DCF、LBO、DDM 等模型的实际实现
卖方研究自动化	辅助分析师快速生成报告初稿
私募/风投初步评估	结合 SEC 文件和财报数据进行快速估值

六、坑与注意

API Key 额度耗尽：FMP 免费套餐额度小，正式使用务必申请付费 Key 或自建数据源
Python 版本兼容：README 提到 Python 3.6+，但项目大量使用 type hinting，建议 Python 3.10+
macOS 桌面版仅 Apple Silicon：Intel Mac 用户只能通过 Web 或命令行方案
首次运行慢：需要下载数据、初始化模型，冷启动可能需要几分钟
报告为初稿质量：LLM 生成的文字部分需要人工审核，不可直接用于投资决策
多数据源 failover：代码内置 7 个数据 provider，某个 Key 失效时会自动切换，但切换逻辑需查看源码确认覆盖范围
中文支持：核心计算模块对中文友好，但 LLM 生成报告的语言取决于所配置模型的语料

七、与同类对比

方案	类型	优势	劣势
FinRobot	开源多 Agent	开源可定制、数值计算可溯源、桌面应用	部署有一定复杂度、桌面版仅 M芯片
FinGPT	单模型	专注于金融 LLM	功能单一，无多 Agent 协作
Bloomberg GPT	闭源大模型	官方金融数据	不可私有化部署
AlphaEdge	商业平台	专业服务	成本高、不开源

FinRobot 的差异化在于开源 + 可溯源数值计算 + 多 Agent 协作的三者结合，是目前开源金融分析领域最完整的方案。

八、一句话推荐结论

如果你需要用 LLM 做金融分析，又不想被幻觉数字坑——FinRobot 是目前开源领域里"数字最可信、报告最完整、架构最清晰"的选择，推荐先从桌面版体验开始。

信息来源： - GitHub README（主仓库 + finrobot_equity 子模块） - FinRobot Desktop v0.1.0 Release Notes - finrobot.ai 官网

不确定处： - Adanos API 的具体申请地址和文档未在仓库中明确提供，建议直接从 https://adanos.ai 查找或参考官方文档 - Python 版本要求：README 写 Python 3.6+，但部分模块语法建议 3.10+，建议以 3.10 为准 - 桌面版 v0.1.0 发布于 2025 年（Release 页面），后续版本信息待更新