許多人使用 AI 分析股票的方式仍停留在「打開 ChatGPT → 輸入代碼 → 問今天怎麼看 → 得到一段分析 → 隔天重新來過」。這種方法可用，但更像是「用 AI 聊天」，而非建立真正的 AI 股票研究系統。
一篇近期分享指出，透過 ChatGPT Codex、Python、GitHub Actions、多個 AI 模型與 Email，可以搭建一套每日自動運行的股票研究工作流：自動獲取行情 → 計算技術指標 → 多模型分析 → 生成報告 → Email 發送。
一、系統核心思路
整套系統的分工清晰：
- 你：負責定義需求
- Codex：負責把需求變成可運行的程式
- GitHub Actions：負責每日定時執行
- 多個 AI 模型：負責不同維度的分析
最終效果是：每天早上打開郵箱，就能直接看到當天的股票分析報告，無需重複手動操作。
二、完整運行流程
- 從數據源獲取最新行情
- Python 自動計算技術指標（MA、RSI、MACD 等）
- 整理數據後分別調用多個 AI 模型
- 綜合不同模型結果
- 生成 HTML / Markdown 報告
- 自動透過 Email 發送
- GitHub Actions 隔天繼續循環
三、關鍵設計重點
數據與計算分離
AI 本身不是實時行情資料庫。更合理的做法是：程式負責獲取真實數據並計算確定性指標，AI 負責解釋、歸納與推理。
多模型分工
不建議把同一份數據丟給多個模型做相同事情，而是分配不同任務：
- 模型 A：技術面
- 模型 B：基本面
- 模型 C：新聞與事件
- 模型 D：風險審查（專門挑問題）
綜合評分
可建立內部加權評分系統（技術面、基本面、趨勢、情緒、風險等），但需明確這是系統內部評價，而非上漲機率預測。
安全與自動化
API Key 必須使用環境變數或 GitHub Secrets，絕不可直接寫入代碼。GitHub Actions 負責定時觸發，實現真正的無人值守。
四、進階擴展
系統可進一步模組化為六層：數據層、計算層、AI 分析層、決策輔助層、報告層、自動化層。
真正有價值的應用是「自選股批量掃描」：每天自動分析多隻股票，先做初步篩選，再對高分股票進行深度分析。亦可延伸至新聞監控、異常提醒、財報分析、歷史判斷驗證等。
重要提醒：這套系統應定位為 AI 投資研究與信息處理工具，而非自動交易機器。AI 評分不等於收益預測。
結語
Codex 等 AI 開發助手的出現，改變了過去「先學會寫程式，才能開發工具」的路徑。現在可以先把真正需要的工作流程描述清楚，再讓 AI 協助完成大量開發工作。
股票分析系統只是一個例子。同樣架構可改造為 Crypto 研究、新聞情報、行業監控、財報分析等系統。真正值得學習的，是把工作流程拆解，並讓可程序化、可自動化的部分真正落地。
當系統能自己獲取數據、自己分析、自己生成報告、自己通知你時，AI 才從聊天工具，變成真正替你工作的工具。
參考來源
- @ai_Goge 公開分享的完整思路
- 相關 AI 開發與自動化實踐