使用FinancialDatasets工具包进行财务数据分析

最新推荐文章于 2025-08-06 18:06:33 发布

Zbb159

最新推荐文章于 2025-08-06 18:06:33 发布

阅读量519

点赞数 9

CC 4.0 BY-SA版权

文章标签：数据分析数据挖掘

本文链接：https://blog.csdn.net/Zbb159/article/details/149225295

## 技术背景介绍

在现代金融分析中，获取准确且及时的财务数据是至关重要的。FinancialDatasets提供了一个强大的API，可以获取超过16,000个股票的财务数据，时间跨度超过30年。通过与OpenAI的集成，我们能够创建智能化的财务分析助手，为投资者提供深度的市场洞察。

## 核心原理解析

FinancialDatasets工具包通过REST API接口访问财务数据，为每个公开交易的公司提供详细的财务数据，包括资产负债表、损益表和现金流量表。结合OpenAI的语言模型，系统能够自动分析这些数据，帮助用户进行财务预测和趋势分析。

## 代码实现演示

以下代码演示了如何设置和使用FinancialDatasets工具包进行财务数据分析：

### 环境配置

首先，确保获取两个API密钥：

- `FINANCIAL_DATASETS_API_KEY`: 从`financialdatasets.ai`获取。
- `OPENAI_API_KEY`: 从OpenAI获取。

```python
import getpass
import os

os.environ["FINANCIAL_DATASETS_API_KEY"] = getpass.getpass("Enter your FinancialDatasets API Key: ")
os.environ["OPENAI_API_KEY"] = getpass.getpass("Enter your OpenAI API Key: ")

安装工具包

安装langchain-community包以使用FinancialDatasets工具包：

%pip install -qU langchain-community

实例化工具包

接下来，实例化FinancialDatasets工具包：

from langchain_community.agent_toolkits.financial_datasets.toolkit import FinancialDatasetsToolkit
from langchain_community.utilities.financial_datasets import FinancialDatasetsAPIWrapper

api_wrapper = FinancialDatasetsAPIWrapper(
    financial_datasets_api_key=os.environ["FINANCIAL_DATASETS_API_KEY"]
)
toolkit = FinancialDatasetsToolkit(api_wrapper=api_wrapper)

使用工具包进行分析

定义一个系统提示并创建一个代理来处理用户查询：

from langchain_core.tools import tool
from langchain_openai import ChatOpenAI

system_prompt = """
You are an advanced financial analysis AI assistant equipped with specialized tools
to access and analyze financial data...
"""

model = ChatOpenAI(model="gpt-4o")
tools = toolkit.get_tools()

query = "What was AAPL's revenue in 2023? What about it's total debt in Q1 2024?"

from langchain.agents import AgentExecutor, create_tool_calling_agent
from langchain_core.prompts import ChatPromptTemplate

prompt = ChatPromptTemplate.from_messages(
    [
        ("system", system_prompt),
        ("human", "{input}"),
        ("placeholder", "{agent_scratchpad}"),
    ]
)

agent = create_tool_calling_agent(model, tools, prompt)
agent_executor = AgentExecutor(agent=agent, tools=tools)

# 执行查询
result = agent_executor.invoke({"input": query})
print(result)