【玩转 TableAgent 数据智能分析】股票交易数据分析+预测
文章目录
-
- 一、什么是TableAgent
- 二、TableAgent 的特点
- 三、实践前言
- 四、实践准备
-
- 4.1 打开官网
- 4.2 注册账号
- 4.3 界面介绍
- 4.4 数据准备
- 五、确认分析需求
- 六、TableAgent体验
- 七、分析结果解读
- 八、总结&展望
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。
二、TableAgent 的特点
- 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/
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
4.3 界面介绍
看界面好像是通过 gradio 写的，非常简洁明了
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
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。
- 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
- 对于其中的一些数据能不能以我想要的图形给展出出来
- 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
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
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
就像我们这张绘制折线图的代码，是通过 python 的 matplotlib 进行绘制的，非常利于我们二次校验数据的真实性
- 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
- 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
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
- 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
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:
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。- 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。 - 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。 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- 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。