如果把“AI炒股”拆开来看，市场上其实混着三类完全不同的东西：一类是做投研和因子挖掘的量化基础设施，一类是用大模型做信息理解和多智能体决策的研究框架，另一类则是面向普通投资者的 AI 选股、投顾和交易工具。
这也是为什么很多人一搜“AI 炒股项目”，会同时看到 GitHub 开源仓库、券商生态产品、选股订阅站和自动交易机器人——它们看起来都和“AI + 股票”有关，但能力边界、适用人群和风险水平完全不同。
这篇文章，我按“开源研究型”和“商业产品型”两条线，挑了 8 个代表性项目做一份可落地的对比报告。重点不是看谁宣传最猛，而是看：它到底解决什么问题、适合谁、离真实赚钱还有多远。
一、先说结论：AI炒股项目可以分成四条路线
1. 因子研究与量化平台
代表项目是 Qlib 这一类。核心价值不是直接告诉你明天买什么，而是帮团队做数据管理、特征工程、模型训练、回测和研究复现。更像“量化研发底座”。
2. 金融大模型与投研助手
代表项目是 FinGPT。它擅长处理新闻、公告、研报、财报问答和情绪信息，强项在“理解非结构化金融文本”，但它本身并不等于一套成熟交易系统。
3. 多智能体交易框架
代表项目是 TradingAgents、FinRobot。它们会模拟研究员、分析师、风险经理、交易员分工，把大模型能力包装成一套更像投研团队的工作流。很适合研究和演示，但离稳定实盘还有明显距离。
4. 面向终端用户的 AI 选股/投顾产品
代表产品是 Danelfin、Kavout、Magnifi、AInvest。这类产品通常提供 AI 评分、自然语言搜索、组合分析、交易信号或券商连接，优势是上手快，问题是模型细节通常不透明，且营销往往强于可验证业绩。
二、我的筛选标准是什么？
这次筛选主要看五件事：
- 是否和股票投研或股票交易直接相关，而不是泛金融聊天机器人
- 是否有公开可核实的官网、仓库或定价信息
- 是否有持续更新或较强可信信号
- 是否能代表一种典型技术路线
- 是否对中文读者有现实参考价值
说明一下：GitHub Star、官网流量、定价页都只能说明“活跃度”和“产品成熟度”，不能直接说明“能赚钱”。这一点后面会反复提醒。
三、开源研究型项目：更适合量化团队和技术团队
1. TradingAgents
定位：多智能体 LLM 金融交易框架。
我为什么把它放在第一位？因为它几乎是“AI 炒股 Agent 化”这条路线最有代表性的开源项目之一。它的思路不是做一个万能模型，而是把任务拆给多个角色：基本面分析、情绪分析、技术分析、风险判断、交易决策，尽量模拟真实投研团队的协同过程。
截至 2026-04-15，TradingAgents 的 GitHub Star 约为 5.05 万，最近仍有代码更新，活跃度非常高。
它的优势：
- 演示效果强，适合展示 AI 多角色协作如何做投研
- 非常适合研究“Agent 在金融决策里怎么组织流程”
- 对新闻、价格、技术信号、推理链整合比较自然
它的局限：
- 高度依赖底层 LLM 和外部数据质量
- 很容易做出“看起来很聪明”的解释，但不代表收益稳定
- 从 demo、回测到实盘，中间还有交易执行、风控、滑点、延迟、合规等大坑
适合谁：做 AI 金融研究、做 Agent 框架实验、做产品原型的人。
2. Qlib
定位：AI-oriented Quant investment platform，也就是面向量化投资的 AI 研究平台。
Qlib 和上面的 TradingAgents 不太一样。它不是“会聊天的交易员”，而是偏底层的量化研发平台。它更关心数据集、特征、标签、模型、回测、研究复现、生产落地这些硬问题。
截至 2026-04-15，Qlib 的 GitHub Star 约为 4.07 万，仓库仍在持续更新，是目前最成熟、最工程化的开源量化 AI 平台之一。
它的优势：
- 背后是微软体系，工程化程度高
- 支持监督学习、市场状态建模、强化学习等多种范式
- 对量化研究流程比较完整，适合做可重复研究
它的局限：
- 学习成本高，对普通投资者不友好
- 更像研发底座，不是拿来即用的“AI 选股 App”
- 数据清洗、特征设计、策略评估仍要靠专业能力
适合谁：量化研究团队、买方技术团队、希望搭建自有研究平台的人。
3. FinGPT
定位：开源金融大模型项目。
FinGPT 的核心价值，是把大模型能力带入金融 NLP 场景，比如新闻理解、情绪分析、金融问答、财报信息抽取等。它非常重要，但一定要看清楚：FinGPT 更偏“金融认知层”，而不是完整的交易闭环。
截至 2026-04-15，FinGPT 的 GitHub Star 约为 1.94 万，仍在持续更新。
它的优势：
- 开源金融大模型路线里代表性强
- 对非结构化金融信息处理很有价值
- 适合做研报、公告、新闻流到交易信号之间的中间层
它的局限：
- 直接用于买卖决策时，仍需要和回测、风控、执行系统结合
- 大模型在金融场景会有幻觉、时效性不足和可解释性问题
- 更适合做“信号增强器”，不适合单独神化成“赚钱机器”
适合谁：做金融 NLP、投研 Copilot、资讯到信号转换的人。
4. FinRobot
定位：面向金融分析的开源 AI Agent 平台。
FinRobot 比 FinGPT 更靠近“应用层”，比 Qlib 更靠近“Agent 层”。它试图把多种金融任务封装成可协作的 Agent，包括信息抓取、分析、问答、研究辅助等。
截至 2026-04-15，FinRobot 的 GitHub Star 约为 6695，最近仍有更新，且有独立官网 FinRobot.ai，说明它不只是仓库 demo，而是有持续运营信号。
它的优势：
- 比纯模型项目更接近业务工作流
- 更容易让人看见“AI 在金融分析里的协作方式”
- 适合做金融智能体原型和内部投研助手
它的局限：
- 更强在分析与研究，不等于成熟交易执行系统
- 实际落地时仍需要行情数据、券商接口、风控规则和权限体系
- 如果底层数据和工具链不稳定，Agent 质量会迅速下降
适合谁：要做金融 Agent 产品原型、内部研究助手、投研流程自动化的人。
四、商业产品型项目：更适合普通投资者先体验
1. Danelfin
定位：AI 选股与 ETF 评分平台。
Danelfin 的产品表达非常清晰：它主打 AI Score、Trade Ideas、Portfolio 和 API，把股票和 ETF 做成一个 AI 驱动的评分与筛选系统。官网的优势是“把复杂信号包装成普通人能直接理解的界面”。
从公开页面看，它提供免费层、Plus、Pro、Elite 等不同档位，Pro 往上开始强调更完整的解释、更多组合容量、更多 Trade Ideas，Elite 还提供 API Expert（每月 10,000 次调用）。
它的优势：
- 产品化非常成熟，普通用户上手门槛低
- 评分、主题、行业、ETF、组合视图做得比较完整
- 对“我现在该先看哪些标的”这个问题，回答得很直接
它的局限：
- 模型细节和真实超额收益不可能完全透明
- 更像辅助筛选和研究排序工具，不是收益保证器
- 如果用户把 AI Score 当成机械买卖信号，风险会很大
适合谁：想快速体验 AI 选股产品的个人投资者、内容创作者、投研观察者。
2. Kavout
定位：AI 选股与股票排名平台。
Kavout 的公开页面强调，它会每天分析 9,000+ 只美国股票，并结合 Kai Score、Stock Rank、Technical Ratings，以及基本面、技术面、情绪面数据，生成可操作的股票筛选结果。
这类产品的核心不是“自动替你交易”，而是“把股票池先按 AI 逻辑重新排一遍”。
它的优势：
- 逻辑简单清楚，适合当筛股层
- 覆盖面大，日更节奏明确
- 对不想自己搭因子系统的人比较友好
它的局限：
- 评分系统是否长期有效，必须靠长期跟踪验证
- 排名型工具容易给用户造成“高分 = 高胜率”的错觉
- 仍然不能替代仓位管理和风险控制
适合谁：中轻量级美股投资者、希望先做候选池筛选的人。
3. Magnifi
定位：AI 投资助手 + 组合分析平台。
Magnifi 的产品路线更像“AI 投顾助手”而不是“AI 炒股机器人”。它强调自然语言搜索、账户聚合、组合分析、实时洞察、目标管理和 AI financial advisor。公开定价页显示，Premium 年费为 99 美元。
它的优势：
- 更偏资产配置和组合管理，而不是只盯着单只股票
- 自然语言搜索对普通用户很友好
- 连接账户后，能提供更个性化的组合视角
它的局限：
- 更适合“辅助决策”，不等于高频交易工具
- 个性化建议的有效性强依赖用户画像和持仓数据
- 如果你的目标是做短线搏杀，它未必是最佳形态
适合谁：长期投资者、希望做组合体检和资产视图整合的人。
4. AInvest
定位：AI 股票分析与交易辅助平台。
AInvest 的公开页面给我的感觉是：它比 Magnifi 更靠近交易者。它强调 AI 自动识别图表形态、事件回测、实时资讯、交易信号、Broker Integration，以及 AI Portfolio Tracker。定价页显示，AIME+ Pro 大约 199.99 美元/年，Premium 大约 399.99 美元/年。
它的优势：
- 功能链条更完整，从看图、看事件、看回测到连接券商都覆盖了
- 更适合偏交易型用户
- 把“研究—分析—执行—复盘”串成了一条更清晰的产品路径
它的局限：
- 功能越多，越容易让人误以为“闭眼自动化就能赢”
- 回测展示很容易好看，但真实执行会遇到滑点、延迟和行为偏差
- 对新手来说，信息密度可能偏高
适合谁：偏主动交易、想把 AI 信号和交易动作连起来的用户。
五、如果把这 8 个项目放在一起，差异到底在哪？
1. 谁最像“研究底座”？
Qlib 最像。
如果你要自己搭一套量化研究体系，Qlib 的价值远大于多数“AI 选股 App”。它更难，但也更接近真正可复用的基础设施。
2. 谁最像“AI 投研实验室”？
TradingAgents 和 FinRobot。
前者更像多智能体协作框架，后者更像金融 Agent 应用平台。它们非常适合做 demo、研究、原型，但距离成熟实盘平台仍有一段距离。
3. 谁最像“金融大模型能力层”？
FinGPT。
如果你的重点是处理新闻、研报、公告、情绪，而不是马上接交易 API，那么 FinGPT 非常值得关注。
4. 谁最像“普通投资者可以直接用起来的产品”？
Danelfin、Kavout、Magnifi、AInvest。
其中：
- 想做 AI 排名选股，优先看 Danelfin、Kavout
- 想做组合诊断和资产视图，优先看 Magnifi
- 想更靠近交易动作和事件回测，优先看 AInvest
六、真正评估一个 AI 炒股项目，要看这 7 件事
1. 数据源是不是可靠、连续、可追溯
没有稳定数据源，所有 AI 都是空中楼阁。价格、财报、公告、新闻、情绪、宏观数据是否及时，决定了系统上限。
2. 有没有把回测和实盘分开讲清楚
很多项目最容易混淆的一点就是：回测好看，不代表实盘可做。滑点、冲击成本、换手、停牌、成交量约束，都会把回测收益打回原形。
3. 是否有明确风控机制
再聪明的 AI，如果没有仓位控制、止损规则、相关性约束、行业暴露控制，本质上都只是“会说话的冒险系统”。
4. 模型是否可解释
不是要求所有模型都白盒，但至少要知道：结论主要由哪些因素驱动，什么时候会失效。
5. 是否能验证活跃度与可信信号
开源项目看代码更新、Issue、论文和社区；商业项目看合规披露、定价透明度、是否有持续运营能力。
6. 是否支持你的交易风格
做中长线、做波段、做事件驱动、做资产配置，需要的 AI 系统完全不同。不要拿组合管理工具去期待超短打板能力，也不要拿研究框架去要求一键跟单体验。
7. 总成本是不是能接受
除了订阅费，还有数据费、算力费、API 费、回测基础设施和试错成本。很多“看起来便宜”的 AI 炒股项目，实际全栈成本并不低。
七、不同人群应该怎么选？
1. 如果你是普通投资者
建议从 Danelfin、Kavout、Magnifi
这类产品先上手，把它们当“第二研究员”，不要当“自动印钞机”。
2. 如果你是主动交易者
AInvest
这类更靠近图表、事件回测和执行连接的产品会更对路，但一定要自己建立止损和仓位纪律。
3. 如果你是量化或 AI 团队
优先看 Qlib、TradingAgents、FinGPT、FinRobot 的组合：
- Qlib 负责量化研究底座
- FinGPT 负责金融文本理解
- TradingAgents / FinRobot 负责 Agent 化工作流
这条路线更难，但更有机会形成自己的能力壁垒。
4. 如果你是内容创作者或研究博主
最好同时跟踪一类开源项目和一类商业产品。这样写出来的判断不会只停留在“产品宣传话术”，也不会陷在纯技术 demo 里。
八、最后的提醒：AI炒股最容易被高估的，是“自动赚钱”这四个字
AI 的确已经能显著提升投研效率，尤其是在以下几件事上：
- 快速处理海量资讯
- 自动筛选股票池
- 发现异常行情和事件模式
- 生成研究摘要和比较报告
- 做初步的组合体检和风险提示
但它最容易被高估的地方也非常明显：
- 对未来收益的确定性判断
- 对极端行情的应对能力
- 对市场结构突变的鲁棒性
- 对交易执行细节的控制能力
一句话总结：AI 很适合做“研究放大器”和“决策辅助器”，但离“稳定赚钱机器”还有很长距离。
九、我的最终判断
如果你要问，这一轮 AI 炒股项目真正值得长期关注的是什么？
我会给出三个答案：
1. Qlib 这一类基础设施项目，决定了 AI 金融系统的工程上限。
2. FinGPT、TradingAgents、FinRobot 这一类项目，决定了 AI 在投研流程里的认知上限。
3. Danelfin、Magnifi、AInvest、Kavout 这一类产品，决定了 AI 能否真正走向大众投资场景。
所以，真正值得关注的，不是某个单点“神奇选股模型”，而是“数据、模型、Agent、回测、执行、风控、产品体验”能不能被整合成一个完整系统。
未来 2 到 3 年，AI 炒股赛道大概率会继续分化：
- 底层能力会越来越强
- 中间层 Agent 会越来越会“讲逻辑”
- 前台产品会越来越像智能投顾
- 但真正能穿越周期的，仍然是风控和体系化能力
——
参考来源（截至 2026-04-15 抽样核对）
- TradingAgents GitHub：https://github.com/TauricResearch/TradingAgents
- Qlib GitHub：https://github.com/microsoft/qlib
- FinGPT GitHub：https://github.com/AI4Finance-Foundation/FinGPT
- FinRobot GitHub：https://github.com/AI4Finance-Foundation/FinRobot
- Danelfin 官网与定价页：https://danelfin.com/ 、https://danelfin.com/pricing/
- Kavout AI Stock Picker：https://www.kavout.com/ai-stock-picker
- Magnifi 官网与 Premium 页：https://www.magnifi.com/ 、https://www.magnifi.com/premium
- AInvest 官网与定价页：https://www.ainvest.com/ 、https://www.ainvest.com/pricing
- 另参考 Tickeron 官网用于观察高收益营销型 AI 交易产品表达：https://tickeron.com/
如果你愿意，我下一篇还可以继续把这个主题拆成两版：
1. 面向普通投资者的“AI选股工具避坑指南”
2. 面向创业者/开发者的“AI金融 Agent 产品路线图”
更多内容欢迎关注公众号：
