在商品期货交易领域，那些拥有大量关注者的分析师（大V）每天都在产出专业的市场分析内容。他们的信息流看似神秘，但实际上背后有着清晰的数据处理逻辑。今天，我们将完全拆解这个过程，并教你如何在优宽量化平台用工作流可视化节点构建一个属于自己的专业交易分析系统。

系统架构概览

这个工作流完全基于优宽量化工作流的可视化节点搭建，无需编写复杂代码。核心思路是：数据获取 → 技术分析 → 情绪分析 → AI整合分析 → 自动化推送。整个流程通过拖拽节点、配置参数即可完成，让非技术人员也能轻松搭建专业的交易分析系统。

第一步：构建数据收集层

1. 设置定时触发器节点

节点类型：Schedule Trigger（定时触发器）

这个节点是整个系统的起点，它确保每固定时间间隔自动启动分析流程，确保分析的高频性和时效性。本系统设置为每小时触发一次。

2. 构建多时间框架技术数据获取

工作流部署了三个MarketInfo节点，分别获取不同时间维度的数据：

参数说明： - period：K线周期，15分钟（900秒）、1小时（3600秒）、1天（86400秒） - limit: 200：获取200根K线，足够进行技术分析 - $vars.contract：使用变量存储交易合约，便于切换分析目标，作为策略外部参数，可以设置成为自己感兴趣的品种，这里我们设置今年最为火热的黄金期货品种au888

3. K线数据标准化节点组

以下三个代码块分别处理不同时间框架的K线数据：

代码1（15分钟数据处理）：

const result = [];
const data = $input.first().json.result || [];

data.forEach(item => {
  result.push({
    timeframe: "15m",
    candles: item
  });
});

return result;

代码2（1小时数据处理）：

const result = [];
const data = $input.first().json.result || [];

data.forEach(item => {
  result.push({
    timeframe: "1h", 
    candles: item
  });
});

return result;

代码3（日线数据处理）：

const result = [];
const data = $input.first().json.result || [];

data.forEach(item => {
  result.push({
    timeframe: "1d",
    candles: item
  });
});

return result;

标准化作用： - 为每个时间框架的数据添加唯一标识符 - 统一数据结构，便于后续AI分析识别 - 确保数据流转的一致性

4. 数据合并节点

节点类型：Merge（合并）
模式：Append模式，将三个时间框架的数据按顺序合并

这个节点将所有时间框架的K线数据整合成一个统一的数据包，为AI分析提供完整的技术数据基础。

5. 聚合K线数据处理节点

节点类型：Code 位置：位于合并节点之后，负责将多时间框架的K线数据整合

核心代码：

const allCandles = [];

for (const item of items){
  allCandles.push(item.json)
}

return [{
  json:{
    allCandles
  }
}];

代码功能解析： - 数据聚合：遍历合并节点传递的所有数据项，将每个时间框架的标准化数据收集到allCandles数组中 - 结构统一：将三个时间框架（15分钟、1小时、1天）的K线数据合并为单一数据包 - 格式标准化：输出统一的JSON结构，包含所有时间框架的完整K线信息

第二步：情绪分析处理层

1. 部署新闻数据获取节点

节点类型：MCP Client（MCP客户端）

MCP客户端（Model Context Protocol Client）是优宽量化平台提供的一种外部服务连接工具，专门用来调用第三方API服务。这里我们调取MCP用来实时获取宏观情绪数据。

详细配置：

{
  "parameters": {
    "endpointUrl": "https://mcp.alphavantage.co/mcp?apikey='YOUR_API_KEY'",
    "authentication": "none",
    "tool": "NEWS_SENTIMENT",
    "topics": "GOLD"
  }
}

关键参数解析： - endpointUrl：Alpha Vantage的MCP服务端点，需要在其网站申请API密钥 - tool：使用NEWS_SENTIMENT工具获取新闻情绪数据 - topics：指定主题为”GOLD”，聚焦黄金市场相关新闻

2. 情绪分析AI节点

节点类型：AI智能体 LLM模型：通义千问（qwen3-max-preview）

核心Prompt配置：

你是一个专门分析黄金市场的高智能精准情感分析器。你将使用两部分方法分析提供文本的情感：

短期情感：
- 评估即时市场反应、近期新闻影响和技术波动性
- 确定情感类别："积极"、"中性"或"消极"
- 计算-1（极度消极）到1（极度积极）之间的数值分数
- 提供简洁的理由说明短期情感（针对重大事件和宏观环境给出详细回应和适当标题）

长期情感：
- 评估整体市场前景、基本面以及监管或宏观经济因素
- 确定情感类别："积极"、"中性"或"消极"
- 计算-1（极度消极）到1（极度积极）之间的数值分数
- 提供详细的理由说明长期情感（针对重大事件和黄金市场给出详细回应和适当标题）

您的输出必须恰好是一个包含两个键的JSON对象："shortTermSentiment"和"longTermSentiment"。每个键的值必须是包含三个键的对象："category"、"score"和"rationale"。不要输出任何额外文本。

例如，您的输出应该如下所示：
{
  "shortTermSentiment": {
    "category": "积极",
    "score": 0.7,
    "rationale": "...."
  },
  "longTermSentiment": {
    "category": "中性",
    "score": 0.0,
    "rationale": "..."
  }
}

现在，分析以下文本并生成您的JSON输出：
{{ JSON.stringify($json.text) }}

Prompt设计亮点： - 明确区分短期和长期情绪维度 - 要求标准JSON输出格式，便于后续处理 - 包含数值评分系统，量化情绪强度 - 针对黄金市场特点进行定制化分析

第三步：AI分析引擎

1. 数据整合节点

节点类型：Code

关键代码：

// Initialize containers for each set of data.
const allCandles = [];
let contentData = null;
// Loop over each item from the merge node.
for (const item of items) {
    // If the item has candlestick data, add it to the array.
    if (item.json.allCandles !== undefined) {
        // Assuming item.json.allCandles is an array.
        allCandles.push(...item.json.allCandles);
    }
    // If the item has embedded content (in message.content), store it.
    if (item.json.output !== undefined) {
        contentData = item.json.output;
    }
}
// Return a single item with both candlestick data and content.
return [{
    json: {
        allCandles,
        content: contentData
    }
}];

整合逻辑： - 将K线数据和情绪分析结果合并 - 为综合AI分析准备完整数据包 - 确保数据结构符合最终分析需求

2. 综合技术分析AI节点

节点类型：AI智能体 LLM模型：通义千问（qwen3-max-preview）

详细Prompt配置：

## 交易分析指令
**数据结构:**
{{ $vars.contract}}的综合市场数据:
- 技术数据: {{ JSON.stringify($json["allCandles"]) }}
- 情感分析: {{ JSON.stringify($json["content"]) }}

K线格式: 时间框架 ("15m", "1h", "1d") + K线数组
情感: 黄金品种新闻的短期/长期分析

**分析框架:**
**短期 (15m + 1h 数据):**
- 识别即时支撑/阻力位
- 价格行动信号 + 滞后指标
- 专注入场/出场时机

**长期 (1d + 1h 数据):**
- 主要趋势方向
- 结构性价位
- 更广泛的市场背景

**输出要求:**
**格式:** 纯文本
**日期:** {{$vars.contract}}品种分析 {{ $now }} (格式: mm/dd/yyyy at xx:xxpm)

**参考建议:**
**短期:**
- 仓位: [做多/做空]
- 入场: $X
- 止损: $X
- 目标: $X
- 理由: [2-3句简洁句子涵盖价格行动、确认、情感]

**长期:**
- 仓位: [做多/做空]
- 入场: $X
- 止损: $X
- 目标: $X
- 理由: [2-3句简洁句子涵盖价格行动、确认、情感]

**提醒：**
- 本建议仅作学习使用，不构成任何投资建议！

**关键指导原则:**
- 每个理由保持在50字以内
- 专注于可操作的洞察
- 消除冗余解释
- 优先考虑高信度信号
- 使用直接、简洁的语言

Prompt核心特色： - 整合技术数据和情绪分析 - 多时间框架综合分析 - 提供短期和长期两种交易建议 - 输出纯文本格式，适配钉钉推送 - 强调简洁性和可操作性 - 明确风险提示，避免误导

第四步：智能推送系统

钉钉机器人推送节点

节点类型：DingTalk Robot（钉钉机器人）

详细配置：

{
  "parameters": {
    "operation": "markdown",
    "isAtAll": true,
    "title": "投资建议：",
    "markdownText": "={{ $json.output }}"
  }
}

推送特点： - 支持Markdown格式，保持分析报告的格式美观 - isAtAll: true：@所有人，确保关键信息不被错过 - 实时推送，确保用户第一时间获得分析结果 - 推送到指定钉钉群组

这样，我们就完成了专属于自己的分析频道，可以根据自己交易的品种，进行相关的市场分析和交易建议推送。

核心技术亮点

1. 高频数据获取

定时触发器每小时自动启动四个数据获取分支，确保分析的高时效性和准确性。

2. AI驱动的专业分析

使用通义千问大语言模型，结合精心设计的Prompt，实现了媲美专业分析师的市场判断能力。

3. 模块化设计

每个功能都封装为独立节点，便于维护、升级和个性化定制。

4. 专业的情绪分析

通过Alpha Vantage的MCP服务获取黄金市场新闻，结合AI进行短期和长期情绪分析，为交易决策提供更全面的参考。

自动化交易扩展

如果想搭建属于自己的自动交易系统，可以在此基础上添加交易执行节点：

• 交易API节点：根据交易建议，进行相应交易操作
• 风控插件：设置仓位管理和风险控制逻辑
  

只需在AI分析节点后添加条件判断和交易执行分支即可实现完全自动化的交易系统。

总结

通过优宽量化工作流可视化节点，我们成功拆解了黄金期货大V信息流的真实面貌。说白了，那些看起来高深莫测的市场分析，背后就是这样一套标准化的数据处理流程。

真相很简单： - 数据来源透明：Alpha Vantage新闻API + 期货市场数据，没什么神秘的 - 分析逻辑清晰：AI模型 + 标准化Prompt，可复制可验证 - 技术门槛很低：拖拽节点就能搭建，不需要什么特殊技能 - 成本极其便宜：几个API调用费用，远低于付费订阅

我们不需要盲目追随任何大V，也不需要为所谓的”独家内幕”买单。优宽量化平台已经把复杂的技术分析变得触手可及，普通人完全可以搭建属于自己的分析系统。最重要的是，当你亲手搭建了这套系统，你就会明白：市场分析并不神秘，大V们也不是什么先知。他们能做的，你也能做，甚至可能做得更好。

在这个技术普及的时代，优宽量化平台正在让投资决策的门槛越来越低。与其当别人的粉丝，不如利用优宽量化平台成为自己投资决策的主人。

策略地址： https://www.youquant.com/strategy/408736