【玩转 TableAgent 数据智能分析】股票交易数据分析+预测

2023-12-19 05:26:13

在这里插入图片描述

一、什么是TableAgent

TableAgent是一款面向企业用户的智能数据分析工具,建立在公司自主研发的Alaya大模型基础之上,通过深度学习与增强学习,由九章云极DataCanvas公司自主研发。它的核心价值在于通过AI技术实现智能化和自动化的数据处理与分析流程,它可以像数据分析师一样理解并分析数据,并生成代码以实现分析过程的自动化。

只需要用户输入分析目标,TableAgent即可 自动筛选数据转换数据格式选择最优模型生成代码运行模型输出分析报告。整个过程零编码,大大简化了数据分析工作。

在这里插入图片描述

二、TableAgent 的特点

在这里插入图片描述

  • 会话式分析:会话式数据分析所需即所得
  • 领域化微调:支持领域微调专业化
  • 私有化部署:私有化部署数据安全
  • 透明化过程:透明化过程审计监督
  • 企业级分析:支持企业级数据分析大规模、高性能

三、实践前言

对于 TableAgent 也说了这么多了,但它是否真能兑现 自动化分析 的承诺,还有待考究,毕竟实践出真知!本篇文章将以公开的建设银行2016年1月-11月的股票交易数据集为例,全流程实践应用TableAgent进行自动化的分析。
希望通过这次浅尝,可以加深我们对TableAgent产品本身以及大模型驱动分析工具这一类技术形态的理解,并让它们成为我们的好帮手!

四、实践准备

4.1 打开官网

点击旁边链接跳转到官网: https://tableagent.datacanvas.com/

在这里插入图片描述

4.2 注册账号

九章云极的注册非常简单,只需要我们提供手机号即可完成注册

在这里插入图片描述

4.3 界面介绍

看界面好像是通过 gradio 写的,非常简洁明了

在这里插入图片描述
在这里插入图片描述

4.4 数据准备

数据是公开的,咱们本次实验的是护具是 建设银行2016年1月-2016年11月股票交易数据,我也将数据上传到公网了,大家想体验可以随时下载:https://image.aoppp.com/%E5%BB%BA%E8%AE%BE%E9%93%B6%E8%A1%8C2016%E5%B9%B41%E6%9C%88-2016%E5%B9%B411%E6%9C%88%E8%82%A1%E7%A5%A8%E4%BA%A4%E6%98%93%E6%95%B0%E6%8D%AE601939.csv

在这里插入图片描述

五、确认分析需求

我拿到这份数据的时候,我就已经有了不少需求了,体验前我就准备好了我的问题,哈哈,从不打没有准备的仗。

  1. 这个表格数据是很明确,但是我怎么知道他的一个走势是什么样子呢,目前可视化不够友好
  2. 对于其中的一些数据能不能以我想要的图形给展出出来
  3. 最重要的来了,能不能根据我的这些数据做一下预测,看看未来一个月是涨还是跌呢

对于整个过程我不会对数据字段进行任何说明,也不会特意去引导,我想把他当成一个专业的数据分析师,看看是否能得到预期的结果,接下来开始实践吧!

六、TableAgent体验

  • 上传数据

我们先把下载到的数据集上传给大模型,让它知道我们本次的要询问的相关内容
在这里插入图片描述

然后我们针对我们前面准备好的需求进行提问

  • 我给你上传的文件内容是 建设银行股票从 2016/1/4 - 2016/11/15 的股票交易数据 ,请帮我输出折线图让我看一下整体的涨跌幅

当我们输入问题后,他会简要地进行数据整理,然后给我们绘制一个折线图,并推荐了一些其他方向问题给我查询

在这里插入图片描述

但是打我打开本次的详情后,我发现整个细节并没有我想象的那么简单,首先模型会先对本次要做的内容进行建模,然后给使用用户绘制出具体的执行流程图,并且还会把每次动作的结果对应的代码提供出来
在这里插入图片描述

就像我们这张绘制折线图的代码,是通过 pythonmatplotlib 进行绘制的,非常利于我们二次校验数据的真实性

在这里插入图片描述

  • 请以日期为依据,给出每个月的股票交易总金额?并绘制出柱状图

让我们看一下其他图形是否能够正常绘制,这里我对建行股票的交易总金额进行了柱状图绘制,可以看到结果还是非常不错的,并且跟我们前面一样,每个结果都有对应的复现过程

在这里插入图片描述
在这里插入图片描述

  • 你根据2016-11月的交易数据预测一下2016年12月的交易数据会如何,预测结果请以折线图输出

可以看到,当我输入问题的时候,TableAgent 就已经对我的问题进行了分解,得出预测的两个因素,一个是 收盘价,一个是成交量和成交金额,确实没有毛病,成交量和成交金额的大小其实影响还比较大,成交量和成交金额越大,即明天的信心越高

在这里插入图片描述

可以看到预测的价格也不是一路高歌,同时我们也回到过去看一下 2016 年 12月建设银行股票的情况到底如何,结果相似度还挺高的哈,看来以后是不是能 TableAgent 炒股了

在这里插入图片描述

  • 结合日期和成交量,哪个时期的成交量排名前三?

这里我也测试了一下看看综合排序分析能力如何,效果还是非常精准

在这里插入图片描述

七、分析结果解读

通过使用TableAgent分析了建行股票交易数据,TableAgent的表现相当出色,我认为有如下几点:

  1. TableAgent在没有明确要求下,主动给出多个视角解读数据,如绘制不同图表和预测结果,得出预期的同时也提升了问题思考的层面。
  2. 每次操作TableAgent都给出详细的执行流程和代码实现,这不仅利于验证结果,也让我们有了学习TableAgent技术原理的机会。
  3. 在处理复杂任务如排序和预测时,TableAgent都给出了符合常理的实现步骤,而不是简单回答,对用户需求的把握还是非常精准。
  4. TableAgent给出的解释结果条理清晰,从不同视角分析,感觉真的在和专业的数据分析师沟通
  5. 图表绘制效果非常不错,结果和历史数据吻合程度高,初探预测功能也很实用。

总体来说,我对TableAgent在面对复杂数据分析任务时的表现还是非常不错。它流程式思维能力和结果的可解释性非常惊艳,这次使用也给了我很好的启发。

可以预见,这种数据分析的智能化必将进一步释放数据价值,未来我们不需要会读各种研报、财报,只要你会使用 TableAgent,那必然是手拿把掐!

八、总结&展望

  • 通过实践我的感受:

真不愧是可以让“人人都成为数据分析师”的好产品,通过这次使用TableAgent对建行股票数据进行智能分析的实践,我深刻体会到了大模型在金融数据分析领域的巨大应用潜力。TableAgent极大降低了进行数据提取、转换、建模、分析等工作的门槛, 使用者不需要学习各种分析公式以及编程技巧,轻松就可以获得深度的分析洞察结果。

这无疑会成为数据分析从业者的一把趁手的利器,我们也可以将更多时间和精力放在分析结果的解读与价值挖掘上,而不是数据处理与建模技术细节上。我觉得还有个比较重要的就是,TableAgent 的每一次动作都是有对应代码的,每次的 Action 都是有依据的,如果过程不透明,分析结果也就很难令人信服,并且生成的代码也展现了较强的健壮性和规范性,非常有利于结果的检测与协作。

  • 我对TableAgent的展望分析:

整个体验完毕后,我也更加看好 TableAgent在数据分析领域的进一步应用前景。现在都在谈大模型小型化、垂直化,我认为 TableAgent 之后可以提供更多的领域扩展模型,例如基于海量金融数据训练的行业特定大模型,结合表格、图表、多模态的交互分析,可以大大推进金融投资研究的智能化。我相信TableAgent这种新型人工智能工具的出现,必将深刻影响和赋能各个产业的发展。

文章来源:https://blog.csdn.net/qq_24694139/article/details/135023715
本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。