![](https://fastly.jsdelivr.net/gh/bucketio/img11@main/2024/10/21/1729466068183-23134fce-3131-4262-b18c-f378d71af4f6.gif) # 深度解析：如何用DeepSeek-R1对特斯拉相关新闻进行情感分析并生成投资建议 ![](https://fastly.jsdelivr.net/gh/bucketio/img9@main/2024/10/20/1729465031968-b3c8959e-1d37-4b8a-91b1-b0b0dfe25143.png) 在股票投资中，**消息面**往往会对股价造成显著影响。实时监测并分析新闻资讯，有助于我们判断市场情绪并优化投资决策。本文以特斯拉（**TSLA**）为例，结合 **Yahoo Finance**、**MarkItDown** 和 **DeepSeek-R1** 模型，展示从“获取新闻→提取正文→情感分析→投资建议”的完整实践流程。 > **适合人群**：对自动化金融资讯分析感兴趣的量化工程师、数据科学家、基金经理或想要快速上手新闻情感分析的学习者。 ## 功能概览 1. **抓取特斯拉相关新闻**：利用 `yfinance` 获取 TSLA 最新新闻。 2. **提取并清洗正文**：使用 MarkItDown 库解析网页内容，并对文本做简单的正则清理。 3. **情感分析与建议**：基于 DeepSeek-R1 模型，对多篇新闻打分并输出投资建议。 通过这些步骤，你可以快速搭建一个多篇新闻合并分析的“小型舆情雷达”。 ## 一、准备环境 1. 安装Python依赖： ```bash pip install yfinance pandas markitdown requests langchain langchain-ollama ``` 2. 确保本地或服务器已成功部署 **DeepSeek-R1** 模型，并可通过 [Ollama](https://ollama.ai/) 或类似方式调用。 > 如果你还没有DeepSeek-R1模型，可以尝试在本地安装相应环境，或替换为其他兼容的模型。 --- ## 二、获取特斯拉（TSLA）的相关新闻 ### 2.1 编写 `get_news` 函数 以下函数通过 `yfinance` 库中的 `Ticker` 对象抓取特斯拉相关新闻，并提取关键字段（标题、摘要、链接、发布日期）： ```python import yfinance as yf import pandas as pd def get_news(stock: str) -> list: """ 获取与指定股票相关的新闻列表，返回包含标题、摘要、链接、发布日期的字典列表。 """ try: # 获取股票对象及其新闻 ticker = yf.Ticker(stock) news = ticker.news # 如果没有新闻，则返回空列表 if not news: print(f"No news found for {stock}.") return [] # 只保留contentType='STORY'的新闻 relevant_news = [ item for item in news if item.get('content', {}).get('contentType') == 'STORY' ] all_news = [] for i, item in enumerate(relevant_news): try: content = item.get('content', {}) current_news = { 'title': content.get('title'), 'summary': content.get('summary'), 'url': content.get('canonicalUrl', {}).get('url'), 'pubdate': content.get('pubDate', '').split('T')[0], } all_news.append(current_news) except Exception as e: print(f"Error processing news {i}: {e}") continue return all_news except Exception as e: print(f"An error occurred while fetching news for {stock}: {e}") return [] ``` #### 示例调用 ```python news_list = get_news("TSLA") print(len(news_list)) # 查看获取到的新闻数量 print(news_list[0]) # 输出其中一篇新闻的信息 ``` 获取到的结构如： ```python { 'title': 'Tesla Poised to Beat Q1 Earnings Estimates...', 'summary': '...', 'url': 'https://finance.yahoo.com/news/...', 'pubdate': '2025-01-20' } ``` ## 三、提取并清洗新闻正文 ### 3.1 使用 MarkItDown 解析网页 `MarkItDown` 可以帮助我们将网页HTML转换成纯文本，包括标题和正文内容。在提取文本的同时，我们会移除一些**链接**与**特殊字符**，使后续分析更干净。 ```python from markitdown import MarkItDown import requests import re # 创建Session以提高稳定性 session = requests.Session() session.headers.update({ 'User-Agent': 'python-requests/2.32.3', 'Accept-Encoding': 'gzip, deflate', 'Accept': '*/*', 'Connection': 'keep-alive' }) md = MarkItDown(requests_session=session) def remove_links(text: str) -> str: """ 去除URL、Markdown格式链接及多余字符 """ text = re.sub(r'http\S+', '', text) # 移除URL text = re.sub(r'\[.*?\]', '', text) # 移除Markdown链接 text = re.sub(r'[#*()+\-\n]', '', text) # 移除特殊字符 text = re.sub(r'/\S*', '', text) # 移除带斜线的内容 text = re.sub(r' ', '', text) # 移除多余空格 return text def extract_news(link: str) -> str: """ 基于MarkItDown抽取页面标题与正文，并进行清洗后返回。 """ info = md.convert(link) text_title = info.title.strip() text_content = info.text_content.strip() return text_title + '\n' + remove_links(text_content) ``` ### 3.2 获取并整合所有新闻文本 有了 `get_news` 与 `extract_news`，我们可以一次性对所有新闻进行提取。示例如下： ```python def extract_full_news(stock: str) -> list: """ 以full_news字段的形式，把网页正文添加到每篇新闻中返回。 """ news_data = get_news(stock) for i, item in enumerate(news_data): try: content = extract_news(item['url']) item['full_news'] = content except Exception as e: print(f"Error extracting news {i}: {e}") continue return news_data # 以TSLA为例 full_news_list = extract_full_news("TSLA") print(full_news_list[0]['title']) # 新闻标题 print(full_news_list[0]['full_news']) # 提取后的完整正文 ``` 得到的 `full_news_list` 即是包含所有字段（标题、摘要、URL、正文等）的整合结果。 ![](https://fastly.jsdelivr.net/gh/bucketio/img5@main/2025/02/26/1740600002331-9d6ca907-4b79-48d9-bb67-94245f893670.png) ## 四、使用DeepSeek-R1进行情感分析与投资建议 ### 4.1 DeepSeek-R1与LangChain绑定 本例使用 [OllamaLLM](https://pypi.org/project/langchain-ollama/) 作为调用DeepSeek-R1的接口。将多篇新闻合并后送入LLM做情感分析。 ```python from langchain_ollama.llms import OllamaLLM from langchain_core.prompts import ChatPromptTemplate from pprint import pprint # 初始化DeepSeek-R1 llm = OllamaLLM(model="deepseek-r1:1.5b") ``` ### 4.2 编写提示模板（Prompt） 我们希望模型逐条给出“Positive/Negative/Neutral”的情感评价，并结合所有文章总结后给出投资建议。可将需求写成`system`的提示，传给LLM： ```python PROMPT = """ You are an expert financial analyst. I will provide you with a list of news articles related to Tesla (TSLA). Your tasks: 1. **Sentiment Analysis:** - For each news article, evaluate its sentiment as 'Positive', 'Negative', or 'Neutral'. - Present your evaluation in a dictionary format like: {"Article Title": "Positive", ...} 2. **Comprehensive Summary & Recommendation:** - Summarize the overall sentiment and key points from all articles. - Advise if investing in TSLA is advisable, with reasons derived from the news analysis. **News Articles:** {articles} **Output Format:** 1. Sentiment Analysis Dictionary (JSON) 2. Summary 3. Investment Recommendation """ prompt_template = ChatPromptTemplate.from_messages( [ ('system', PROMPT), ('human', "I want to analyze TSLA's news articles in detail.") ] ) ``` ### 4.3 调用模型并输出结果 将我们提取的正文文本（`full_news`）组合为一个列表，作为 `articles` 传入 PromptTemplate，最后调用 LLM： ```python structure = prompt_template | llm result = structure.invoke({ "articles": [item['full_news'] for item in full_news_list] }) pprint(result) ``` 当DeepSeek-R1完成生成后，你将看到类似如下结果： ```txt "\n... [模型内部推理] ...\n\n\n ### Sentiment Analysis Dictionary ```json { "Tesla Q4 Earnings: A Beat on Estimates?": "Positive", "Elon Musk's Latest Statement Sparks Controversy": "Neutral", ... } ``` ``` ### Summary Based on the articles, Tesla's expansion in Europe... ### Investment Recommendation Tesla continues to demonstrate strong performance... " ``` 这些信息包括**逐篇情感打分**、**整体总结**以及**投资建议**，让我们对特斯拉近期新闻有了直观的认识，也为决策提供了更多参考。 --- ## 五、更多进阶思路 1. **结合技术面与基本面**：你可以把本篇教程中获取的“新闻情绪”与股票的技术指标、财务指标相结合，构建一个多因子分析代理。 2. **自动化调度**：使用如 Airflow 或Cron定期执行此脚本，保持对最新新闻的跟踪；在得到结果后推送到自定义通知或可视化仪表盘。 3. **接入其他LLM或插件**：如果想尝试不同模型的分析效果，也可将DeepSeek-R1替换为其他如ChatGPT、LLaMA等，比较情感判断的准确率与速度。 --- ## 结论 借助 **yfinance** 抓取特斯拉新闻、**MarkItDown** 提取网页正文，再通过 **DeepSeek-R1** 进行情感分析和投资建议生成，即可实现一个“**实时新闻舆情分析**”的简易雏形。 - **自动化**：可大规模、持续地抓取最新新闻。 - **可扩展**：可灵活替换模型或将结果进一步整合到更复杂的金融决策流程中。 相信通过上述步骤，你已经掌握了从“数据获取”到“模型分析”的一整套思路。欢迎将本方案与更多**因子分析**、**可视化**工具结合，构建更全面、更智能的“多维度金融分析”工作流！ 如果你对本文中的任何操作或思路有疑问，或想进一步探讨各大模型的差异与实战体验，欢迎在评论区留言，让我们一起挖掘**AI在金融应用**领域更多可能性！ ## 关于LLMQuant LLMQuant是由一群来自世界顶尖高校和量化金融从业人员组成的前沿社区，致力于探索人工智能（AI）与量化（Quant）领域的无限可能。我们的团队成员来自剑桥大学、牛津大学、哈佛大学、苏黎世联邦理工学院、北京大学、中科大等世界知名高校，外部顾问来自Microsoft、HSBC、Citadel、Man Group、Citi、Jump Trading、国内顶尖私募等一流企业。