我要投稿

如何利用DeepSeek帮我做金融理财?

发布日期：2025-03-20 21:13:40 浏览次数： 1550 来源：阿里云开发者

阿里妹导读

本篇文章将介绍如何搭建一套基于 XXL-JOB + Deepseek 的定时数据分析系统，帮你做一个智能的金融理财助手。

概述

AI 大模型火了几年了，不知不觉中，已经普及到千家万户中，常见的应用场景有：

内容创作：比如通过你的名字给你作一首诗。比如给你生成吸引人的广告文案。
聊天机器人：比如客服答疑，比如英语口语陪练。
逻辑推理：比如辅助医生分析病例、生成诊断建议。比如帮你做一道数学题目。

大部分的交互方式，都是通过自然语言和大模型进行对话，由人主动发起，如下：

也有许多的业务场景，不是由人主动发起的，通过定时任务在后台不停运行，也可以结合大模型做增强，场景如下：

风险监控：定时监控系统指标，由大模型进行智能分析，发现潜在的风险。
数据分析：定时采集在线金融数据，由大模型进行智能分析，给出投资者建议。

本篇文章将介绍如何搭建一套基于 XXL-JOB + Deepseek 的定时数据分析系统，帮你做一个智能的金融理财助手。XXL-JOB[1] 是一个国内流行的开源分布式任务调度平台，简单易用，并且功能丰富。支持单机任务、分布式任务的定时调度，可以做到秒级别调度。有多种路由策略、堵塞处理策略可供选择。提供任务的报警监控、手动运维、监控大盘等能力。

如何搭建系统

搭建Deepseek

大模型选择Deepseek，出于以下考虑：

Deepseek以推理能力出圈，适合做数据分析。并且Deepseek的母公司幻方量化就是做量化交易的，我们相信Deepseek在金融分析上有着显著的优势。
Deepseek开源并且很轻量，可以很方便部署起来。

也可以选择阿里云最新开源的QwQ模型，推理能力比肩Deepseek-r1，在做复杂数据分析上同样能力出众。以下图表展示了QwQ-32B 与其他领先模型在数学推理、编程能力和通用能力上的对比：

方案一：本地部署

本地部署Deepseek、QwQ或者其他模型，步骤都是差不多的，下面以Deepseek为例：

安装ollama：https://ollama.com/download

安装Deepseek r1模型：r1模型专注于复杂逻辑推理，更适合做金融数据分析

根据机器规格大小选择一个模型，比如我的电脑有16G内存，选择7b，就在命令行输入如下命令安装：

不同模型对应的硬件要求如下表：

模型名称	模型大小	显存	内存
deepseek-r1:1.5b	1.1GB	4GB+	8GB+
deepseek-r1:7b	4.7GB	8GB+	16GB+
deepseek-r1:8b	4.9GB	10GB+	18GB+
deepseek-r1:14b	9.0GB	16GB+	32GB+
deepseek-r1:32b	20GB	24GB+	64GB+

部署完成后，我们通过api进行测试（使用兼容openai的api，端口默认是11434），方便后续写代码。

方案二：使用云产品

我们也可以直接使用云产品，以阿里云百炼[2]为例，只需要开通即可使用，并且有海量的免费额度。使用云产品的话还有个好处，就是可以随时切换模型，体验不同模型的优劣。

搭建XXL-JOB

使用XXL-JOB有如下好处：

可以定时发起AI任务请求。
可以把prompt和返回格式放在任务参数上，动态修改。
可以使用广播分片任务，把大任务拆分成多个小任务，加快AI任务运行速度。
可以使用任务依赖编排，构建一个AI数据分析的流程。

方案一：本地部署

XXL-JOB 部署很简单，详细的步骤可以参考官网[3]，大概步骤如下：

准备一个数据库并初始化数据库表结构

把代码导入到IDEA中，配置xxl-job-admin的配置文件

运行XxlJobAdminApplication这个类，然后浏览器输入 http://127.0.0.1:8080/xxl-job-admin 就可以登录了（密码默认是 admin/123456）

方案二：使用云产品

我们也可以使用托管XXL-JOB的云产品，比如阿里云MSE产品任务调度XXL-JOB版[4]，一键部署，并且可以免费试用[5]。

定时推送财经新闻

接下来先以定时推送财经新闻这个demo来热热身，流程图如下

XXLJOB-Admin 通过定时调度或者手动触发，配置好对应任务的prompt信息，运行某个任务执行。
先去互联网拉取财经新闻，可以简单的做一下过滤。
把网页内容丢给Deepseek，让他提炼最热门的N个新闻。

下面以使用阿里云百炼托管的deepseek-r1为例，获取新浪财经的热点新闻，通过XXL-JOB配置prompt如下：

实现代码参考如下（该demo也集成在了云产品快速体验示例[6]中）：




































































@Componentpublic class AIJob {
    @Value("${dashscope.api.key}")    private String apiKey;
    @XxlJob(value = "sinaNews")    public ReturnT<String> sinaNews() throws Exception {        String url = "https://finance.sina.com.cn/topnews/";        String model = "deepseek-r1";        // prompt        String jobParam = XxlJobContext.getXxlJobContext().getJobParam();                ReturnT<String> rtn = ReturnT.SUCCESS;        Document document = Jsoup.connect(url).get();        // 定位到“汇总榜”部分        Element summaryBlock = document.selectFirst("div.lbti:has(h2:containsOwn(汇总榜))");        if (summaryBlock != null) {            // 找到该块中的<script>标签            Element scriptTag = summaryBlock.parent().selectFirst("script[src]");            if (scriptTag != null) {                // 提取src属性值        String srcValue = scriptTag.attr("src");        HttpResponse<String> httpResponse = Unirest.get(srcValue).asString();        String news = httpResponse.getBody();        Map<String, Object> bodyMap = new HashMap<>();        bodyMap.put("model", model);        List<Map<String, String>> messagesList = new ArrayList<>();        Map<String, String> message = new HashMap<>();        message.put("role", "system");        message.put("content", jobParam);        messagesList.add(message);        message = new HashMap<>();        message.put("role", "user");        message.put("content", "这是今天的财经新闻，帮我按规则解析：" + news );        messagesList.add(message);        bodyMap.put("messages", messagesList);        String bodyJson = new Gson().toJson(bodyMap);        Unirest.setTimeouts(120000, 120000); //加大timeout，防止超时退出        HttpResponse<JsonNode> jsonHttpResponse =            Unirest.post("https://dashscope.aliyuncs.com/compatible-mode/v1/chat/completions")                .header("Authorization", "Bearer " + apiKey)                .header("Content-Type", "application/json")                .body(bodyJson)                .asJson();        OpenAIResponse openAIResponse =            new Gson().fromJson(jsonHttpResponse.getBody().getObject().toString(), OpenAIResponse.class);        rtn.setContent(openAIResponse.getChoices().get(0).getMessage().getContent());        XxlJobHelper.log(openAIResponse.getChoices().get(0).getMessage().getContent());                //TODO 通过钉钉发送分析总结        sendMessage(openAIResponse);            } else {                rtn.setCode(ReturnT.FAIL_CODE);                rtn.setMsg("未找到汇总榜的<script>标签");            }        } else {            rtn.setCode(ReturnT.FAIL_CODE);            rtn.setMsg("未找到汇总榜部分");        }        return rtn;    }
    private void sendMessage(OpenAIResponse message){        //TODO    }}

手动运行一次任务，收到钉钉通知如下：

定时做金融数据分析

在上面一个例子中，我们只拉取了新浪财经的新闻，如果想准实时拉取国内外金融新闻和数据，快速做出决策，一个单机任务的时效性肯定是不够的。我们可以使用XXL-JOB的广播分片任务，将大任务拆分成小任务，不同的小任务去拉取不同的数据。再通过XXL-JOB的任务编排能力组成一个流程，一步步去完成我们的任务。流程如下：

在XXL-JOB上新建3个任务，并建立依赖关系，拉取金融数据->数据分析->生成报告。其中拉取金融数据任务的路由策略是广播分片。
拉取金融数据任务开始执行的时候，通过广播分片派发多个子任务给不同的执行器，去获取各大国内外财经新闻和金融数据，把结果存储起来（比如数据库、Redis或者对象存储）。
数据分析任务开始执行的时候，去获取当前的金融数据，再调用Deepseek进行分析，将结果存储起来。
数据分析完，再通过报告生成任务，将分析完的数据生成一个报告或者报表，通过钉钉或者邮件推送给用户，进行投资建议。

总结

通过上面的示例，你是不是觉得在Deepseek的加持下，做金融分析变得如此简单，自己也可以做一个量化交易系统，实现财富自由？实际上真正的量化交易系统是非常复杂的，除了上面示例中的数据收集、数据清洗、数据分析步骤，还有策略回测、风险监控等模块，也可以使用这套架构实现智能化。

除了在金融领域做数据分析，其他任何领域有数据分析的需求，都可以基于这套架构做智能化，我相信 XXL-JOB + Deepseek 一定是你做数据分析的一大利器。

参考链接：

[1]https://www.xuxueli.com/xxl-job/

[2]https://bailian.console.aliyun.com/

[3]https://www.xuxueli.com/xxl-job/index.html#二、快速入门

[4]https://mse.console.aliyun.com/schedulerx-xxljob#/schedulerx-xxljob?region=cn-hangzhou

[5]https://free.aliyun.com/?spm=5176.mse-prod.0.0.7429142fhgTdVa&product=1371&crowd=personal

[6]https://help.aliyun.com/zh/mse/use-cases/execute-custom-ai-tasks-regularly

53AI，企业落地大模型首选服务商

产品：场景落地咨询+大模型应用平台+行业解决方案

承诺：免费场景POC验证，效果验证后签署服务协议。零风险落地应用大模型，已交付160+中大型企业