DeepSeek会看图炒股？5分钟教会你用大模型进行形态学分析

温馨提示：内容仅供技术交流，不构成任何投资建议或股票推荐

在上一个视频中，AFAN尝试使用DeepSeek对医学图像进行解析：包教包会！5分钟快速对接DeepSeek，完全免费！我惊喜的发现它不仅能够读取图中的文字，还能识别其中的曲线并分析其趋势走向。这让我产生了一个大胆的想法：能否让DeepSeek直接读取K线形态，帮助预测股票未来上涨或下跌的概率？

今天这个案例对应的代码，都可以通过github这个工程：https://github.com/AFAN-LIFE/AFAN-LIFE。

形态学预测研究已久

用K线形态来预测股价这个想法并非空穴来风。在股票投资中，以量价形态为代表的技术分析路线受到很多人的追捧。例如，华创证券的金融工程研究组专门建立了一个形态学网站，介绍各种K线形态，并基于这些形态对股票未来涨跌概率进行统计。

网站地址：mark.hcquant.com

更早的博客时代，新浪博客中的“缠中说禅”大神因其对形态学的分析判断而备受追捧，甚至有人将其博客整理成一个流派，称为“缠论”。在GitHub上，金融数据提供商Tushare就维护了一个数千个Star的仓库。

仓库地址：https://github.com/waditu/czsc

随着近几年人工智能的兴起，有人尝试利用卷积神经网络等图像识别算法对K线形态进行分析预测，但这些方法无法实现对图像语义的理解。

在量化交易中应用卷积神经网络CNN做时间序列预测

借助DeepSeek的“看图说话”能力，AFAN认为可以尝试让大模型读取K线形态，帮助分析并指导投资。

DeepSeek形态学预测实践

在代码实现中，首先需要导入相关库，如获取数据的Tushare和绘制K线图的mplfinance。Tushare是一个著名的金融数据开放平台，用户可以通过其接口获取分钟数据。未注册的用户需要先注册并填写TOKEN，然后调用接口获取所需数据。

tushare地址：https://www.tushare.pro/

import matplotlibimport numpy as npimport pandas as pdimport tushare as tsimport mplfinance as mpfimport matplotlib.pyplot as plt

我以1分钟频率获取了浦发银行某一天的股票数据，并将其保存到本地。接着，使用mplfinance库绘制K线图，但在此之前需要对数据进行调整，例如将时间列设置为DataFrame的索引，并将成交量列重命名为符合库要求的格式。​​​​​​​

#获取浦发银行60000.SH的历史分钟数据df = pro.stk_mins(ts_code='600000.SH', freq='1min', start_date='2025-03-21 09:00:00', end_date='2025-03-21 16:00:00')
# 蜡烛图展示adj_df = df.set_index('trade_time')adj_df.index = pd.DatetimeIndex(adj_df.index)adj_df = adj_df.rename(columns={'vol': 'volume'})
# 设置mplfinance的蜡烛颜色，up为阳线颜色，down为阴线颜色my_color = mpf.make_marketcolors(up='r',                                 down='g',                                 edge='inherit',                                 wick='inherit',                                 volume='inherit')# 设置图表的背景色my_style = mpf.make_mpf_style(marketcolors=my_color,                              figcolor='(0.82, 0.83, 0.85)',                              gridcolor='(0.82, 0.83, 0.85)')
mpf.plot(adj_df, style=my_style, type='candle', volume=True, returnfig=True)plt.savefig('test.png')  # 保存为PNG文件

配置好蜡烛图的颜色和样式后，即可生成当天的K线图，并将其保存为test.png。

随后，AFAN利用DeepSeek-VL2视觉模型对K线图进行分析。我将图片转换为base64格式，并通过Prompt描述让模型扮演股票形态学专家，根据当天的成交量和价格情况预测次日上涨概率，并给出一个介于-1到1之间的值（-1表示大概率下跌，1表示大概率上涨，0表示涨跌不确定）。

返回结果显示，DeepSeek大体上理解了整个图片的形态！DeepSeek对这张图得出以下结论：首先，它识别出收盘价显著高于开盘价；其次，虽然整体成交量较低，但在价格上涨过程中成交量有所增加，这通常是一个积极信号；第三，它注意到当天有多个阳线，且阳线实体较长，表明买家力量较强；最后，模型建议结合其他技术指标进一步确认趋势的可靠性，并给出上涨概率为1的结论。

通过这一实验，AFAN发现DeepSeek能够准确描述图片的基本情况，但其预测结果的可信度仍需进一步测试。在后续视频中，我计划利用这种方法对单只股票进行日内行情回测，并对多只股票计算相关因子，以评估DeepSeek在形态学分析中的可靠性。感兴趣的朋友可以关注并分享这一系列内容。

 

 大模型&AI产品经理如何学习

求大家的点赞和收藏，我花2万买的大模型学习资料免费共享给你们，来看看有哪些东西。

1.学习路线图

第一阶段： 从大模型系统设计入手，讲解大模型的主要方法；

第二阶段： 在通过大模型提示词工程从Prompts角度入手更好发挥模型的作用；

第三阶段： 大模型平台应用开发借助阿里云PAI平台构建电商领域虚拟试衣系统；

第四阶段： 大模型知识库应用开发以LangChain框架为例，构建物流行业咨询智能问答系统；

第五阶段： 大模型微调开发借助以大健康、新零售、新媒体领域构建适合当前领域大模型；

第六阶段： 以SD多模态大模型为主，搭建了文生图小程序案例；

第七阶段： 以大模型平台应用与开发为主，通过星火大模型，文心大模型等成熟大模型构建大模型行业应用。

2.视频教程

网上虽然也有很多的学习资源，但基本上都残缺不全的，这是我自己整理的大模型视频教程，上面路线图的每一个知识点，我都有配套的视频讲解。

（都打包成一块的了，不能一一展开，总共300多集）

因篇幅有限，仅展示部分资料，需要点击下方图片前往获取

3.技术文档和电子书 

这里主要整理了大模型相关PDF书籍、行业报告、文档，有几百本，都是目前行业最新的。

4.LLM面试题和面经合集

这里主要整理了行业目前最新的大模型面试题和各种大厂offer面经合集。

👉学会后的收获：👈
• 基于大模型全栈工程实现（前端、后端、产品经理、设计、数据分析等），通过这门课可获得不同能力；

• 能够利用大模型解决相关实际项目需求： 大数据时代，越来越多的企业和机构需要处理海量数据，利用大模型技术可以更好地处理这些数据，提高数据分析和决策的准确性。因此，掌握大模型应用开发技能，可以让程序员更好地应对实际项目需求；

• 基于大模型和企业数据AI应用开发，实现大模型理论、掌握GPU算力、硬件、LangChain开发框架和项目实战技能， 学会Fine-tuning垂直训练大模型（数据准备、数据蒸馏、大模型部署）一站式掌握；

• 能够完成时下热门大模型垂直领域模型训练能力，提高程序员的编码能力： 大模型应用开发需要掌握机器学习算法、深度学习框架等技术，这些技术的掌握可以提高程序员的编码能力和分析能力，让程序员更加熟练地编写高质量的代码。

1.AI大模型学习路线图
2.100套AI大模型商业化落地方案
3.100集大模型视频教程
4.200本大模型PDF书籍
5.LLM面试题合集
6.AI产品经理资源合集***

👉获取方式：
😝有需要的小伙伴，可以保存图片到wx扫描二v码免费领取【保证100%免费】🆓