AI大模型应用开发学习-24【20251220】

学习内容：

👉课程主题：《项目实战：交互式BI报表》

《项目实战：交互式BI报表》
✅ ChatBI

• ChatBI的原理
• 数据采集
• 可视化组件
• 查询历史价格
• 对比分析
• 热点新闻
  ✅ 智能分析
• 趋势预测：ARIMA模型（未来N天价格预测）
• 异常检测：布林带分析（超买/超卖点识别）
• 周期性分析：Prophet模型（趋势分解）
• 知识库管理：撰写few shot示例

学习产出：

ChatBI项目技术分析

项目概述

该项目是一个基于自然语言处理和数据分析技术的交互式BI报表系统，专门针对股票数据分析设计。它允许用户通过自然语言查询股票历史数据，并自动生成相应的SQL查询、执行查询、以及可视化结果。

核心功能模块

1. 数据获取模块 (stock_data.py)

该模块负责从TuShare金融数据接口获取股票历史数据：

• 使用TuShare API获取指定股票的历史价格数据
• 支持多种股票代码（贵州茅台、五粮液、国泰君安、中芯国际）
• 数据字段包括：股票名称、股票代码、交易日期、开盘价、最高价、最低价、收盘价、成交量、成交额
• 将获取的数据保存为Excel文件(stock_history_data.xlsx)和SQL建表语句(stock_history_data.sql)

2. 核心助手模块

项目包含多个版本的股票查询助手，逐步增加功能：

基础版本 (stock_query_assistant.py)

• 实现基本的SQL查询功能
• 提供Web界面和命令行界面两种交互方式
• 支持数据可视化，自动生成图表

增强版本 (stock_query_assistant-2.py)

• 在基础版本上增加了可视化控制参数
• 改进了图表生成算法，支持智能选择图表类型
• 引入MCP服务器配置，支持外部工具集成

预测分析版本 (stock_query_assistant-3.py)

• 新增ARIMA时间序列预测功能
• 可以预测指定股票未来n天的收盘价
• 提供图表展示历史数据和预测结果

异常检测版本 (stock_query_assistant-4.py)

• 新增布林带异常点检测功能
• 可识别股票的超买和超卖情况
• 提供可视化图表展示布林带和异常点

周期分析版本 (stock_query_assistant-5.py)

• 新增Facebook Prophet周期性分析功能
• 可分析股票的趋势、周周期性和年周期性
• 提供完整的周期成分分解图表

3. 工具类实现

ExcSQLTool (exc_sql工具)

• 注册为exc_sql工具，用于执行SQL查询
• 连接到MySQL数据库获取股票数据
• 自动生成数据摘要和可视化图表
• 支持控制是否需要可视化输出

ArimaStockTool (arima_stock工具)

• 注册为arima_stock工具，用于时间序列预测
• 使用ARIMA(5,1,5)模型进行建模
• 预测未来指定天数的股票收盘价
• 提供预测结果表格和图表

BollDetectionTool (boll_detection工具)

• 注册为boll_detection工具，用于布林带分析
• 计算20日移动平均线和标准差
• 识别超买(价格高于上轨)和超卖(价格低于下轨)情况
• 提供详细的异常点列表和可视化图表

ProphetAnalysisTool (prophet_analysis工具)

• 注册为prophet_analysis工具，用于周期性分析
• 使用Facebook Prophet进行时间序列分解
• 分析趋势、周周期性和年周期性成分
• 提供成分分解图表

4. 可视化模块

项目实现了多种数据可视化功能：

• 智能图表选择：根据数据特点自动选择合适的图表类型
• 柱状图和折线图：适用于一般数据展示
• 时间序列图：适用于股价走势图展示
• 布林带图：用于异常点检测结果展示
• 成分分解图：用于周期性分析结果展示

5. 用户界面

项目提供两种用户交互方式：

Web界面

• 基于qwen_agent.gui.WebUI构建
• 提供友好的图形用户界面
• 包含示例查询引导用户使用
• 支持实时交互和结果展示

命令行界面

• 提供文本交互方式
• 适合开发者调试和自动化脚本使用

技术架构

主要依赖库

• qwen-agent: 阿里通义千问智能体框架
• dashscope: 阿里云模型服务调用
• pandas: 数据处理和分析
• sqlalchemy: 数据库连接和操作
• matplotlib: 数据可视化
• tushare: 金融数据接口
• statsmodels: 统计模型(ARIMA)
• prophet: 时间序列分析(Facebook Prophet)

数据库设计

CREATETABLEstock_price(idINTAUTO_INCREMENTPRIMARYKEYCOMMENT'自增主键',stock_nameVARCHAR(20)NOTNULLCOMMENT'股票名称',ts_codeVARCHAR(20)NOTNULLCOMMENT'股票代码',trade_dateVARCHAR(10)NOTNULLCOMMENT'交易日期',openDECIMAL(15,2)COMMENT'开盘价',highDECIMAL(15,2)COMMENT'最高价',lowDECIMAL(15,2)COMMENT'最低价',closeDECIMAL(15,2)COMMENT'收盘价',volDECIMAL(20,2)COMMENT'成交量',amountDECIMAL(20,2)COMMENT'成交额',UNIQUEKEYuniq_stock_date(ts_code,trade_date));

系统流程

1. 用户通过自然语言提出查询请求
2. 助手解析用户意图，生成相应的SQL语句或调用相应工具
3. 执行SQL查询或调用分析工具进行数据处理
4. 将结果以表格和图表形式展示给用户

特色功能

自然语言交互

• 用户可以使用自然语言查询复杂的股票数据
• 系统能够理解用户的查询意图并转化为具体操作

多维度分析

• 历史数据查询
• 时间序列预测
• 异常点检测
• 周期性分析

智能可视化

• 根据数据特征自动选择合适的图表类型
• 提供丰富的图表展示方式
• 支持多种分析结果的可视化呈现

可扩展架构

• 基于工具注册机制，易于添加新功能
• 支持MCP协议，可集成外部工具
• 模块化设计，便于维护和升级

应用价值

这个ChatBI项目展示了如何将大型语言模型与数据分析技术结合，构建一个智能化的商业智能系统。它可以帮助金融分析师、投资者和研究人员：

1. 快速获取和分析股票数据
2. 进行价格趋势预测
3. 识别异常交易信号
4. 发现数据中的周期性规律
5. 通过自然语言交互降低数据分析门槛

整个系统体现了现代AI技术在金融数据分析领域的应用潜力，为构建更加智能和易用的BI系统提供了有价值的参考。

Q & A