Salah satu repositori yang sedang ramai di GitHub adalah ZhuLinsen/daily_stock_analysis, atau disingkat DSA. Saat kami cek halaman GitHub Trending pada 17 November 2026, repo ini mengantongi sekitar 72.700 bintang, dengan tambahan sekitar 4.548 bintang dalam tujuh hari terakhir.
DSA adalah sistem analisis saham berbasis AI. Setiap hari kerja, sistem ini membaca daftar saham pantauan Anda, mengumpulkan harga, indikator teknikal, berita, dan data fundamental, lalu meminta model bahasa (LLM) menyusun “dasbor keputusan” yang dikirim ke Telegram, Discord, Slack, email, atau aplikasi chat lain.
Artikel ini membahas apa itu DSA, cara kerjanya, pasar yang didukung, cara memasangnya, fitur backtest, hal yang perlu diwaspadai soal privasi, dan catatan penting untuk investor Indonesia.
Catatan: fakta teknis di artikel ini kami ambil langsung dari README, panduan lengkap, changelog, berkas strategi, dan kode sumber di repo (commit 16 November 2026), serta makalah arXiv penulisnya, yang kami baca pada 17 November 2026. Artikel ini bukan rekomendasi investasi. Opini diberi label “Analisis redaksi”.
Apa Itu Daily Stock Analysis (DSA)?
README versi Inggris menyebut DSA sebagai “AI-powered stock analysis system” untuk saham A-share (Tiongkok daratan), Hong Kong, Amerika Serikat, Jepang, Korea, dan Taiwan. Alur kerjanya diringkas dalam satu kalimat: analisis daftar pantauan setiap hari, buat dasbor keputusan, lalu kirim ke kanal notifikasi.
| Atribut | Keterangan |
|---|---|
| Pembuat | Linsen Zhu (akun GitHub ZhuLinsen) |
| Lisensi | MIT |
| Bahasa | Python 3.10 ke atas, dengan antarmuka web dan aplikasi desktop |
| Versi terbaru | 3.35.0, dirilis 16 November 2026 menurut changelog |
| Makalah | “DSA: Evidence-Aware LLM-Agent Orchestration for Multi-Market Stock Research” (arXiv, diajukan 27 Agustus 2026) |
| Dokumentasi | Tionghoa Sederhana, Tionghoa Tradisional, dan Inggris |
Fitur Utama
| Fitur | Keterangan |
|---|---|
| Laporan keputusan AI | Kesimpulan inti, skor, tren, level masuk dan keluar, peringatan risiko, katalis, dan daftar tindakan |
| Data multi-pasar | Harga, grafik K-line (candlestick), indikator teknikal, berita, pengumuman emiten, dan data fundamental |
| Ruang kerja web dan desktop | Analisis manual, progres tugas, riwayat, laporan Markdown lengkap, backtest, portofolio, pengaturan, tema terang dan gelap |
| Chat strategi berbasis agen | Tanya jawab multi-giliran dengan 15 strategi bawaan, lewat web, bot, atau API |
| Impor pintar | Impor daftar saham dari gambar, CSV/Excel, atau clipboard, dengan pelengkapan otomatis kode dan nama |
| Otomasi dan notifikasi | GitHub Actions, Docker, penjadwal lokal, layanan FastAPI, serta kiriman ke WeChat Work, Feishu, Telegram, Discord, Slack, dan email |
Cara Kerja DSA
Makalah arXiv yang ditulis Linsen Zhu dan Yi Shi menjelaskan arsitekturnya. Alur kerja DSA dibagi menjadi lima tahap:
- Pengumpulan bukti: harga, data historis, berita, dan fundamental dari berbagai sumber.
- Penyusunan konteks terstruktur: data dirapikan menjadi paket konteks, termasuk catatan data mana yang tidak tersedia.
- Analisis lewat model: konteks dikirim ke model AI yang dipilih.
- Penalaran peran dan strategi (opsional): beberapa agen dengan peran berbeda dan “Strategy Skill” memberi pendapat masing-masing.
- Pembuatan laporan: hasilnya disusun menjadi laporan beserta diagnostiknya.
Pada mode multi-agen, perbedaan pendapat antaragen diberikan secara eksplisit ke agen pengambil keputusan, lalu ada risk override yang konservatif. Dengan kata lain, jika agen risiko menemukan bahaya, sistem bisa menurunkan rekomendasi. Untuk pengantar tentang konsep agen AI, lihat artikel kami tentang Agentic AI.
Panduan lengkap juga menjelaskan beberapa pengaman. Kualitas data dinilai per blok (harga, data harian, teknikal, berita, fundamental, dan distribusi kepemilikan saham). Jika data inti usang, hilang, atau hanya perkiraan, kesimpulan dengan keyakinan tinggi dibatasi. Analisis yang dijalankan sebelum pasar buka atau di hari libur juga tidak boleh mengeluarkan sinyal beli atau jual intraday dengan keyakinan tinggi.
Contoh hasil
Berikut contoh dasbor keputusan dari README (kode saham A-share):
🎯 2026-02-08 Decision Dashboard Analyzed 3 stocks | 🟢 Buy:0 🟡 Watch:2 🔴 Sell:1 📊 Summary 🟡 000657: Watch | Score 65 | Bullish 🟡 600105: Watch | Score 48 | Range-bound 🔴 300260: Sell | Score 35 | Bearish 🚨 Risk Alerts: Risk 1: Main-force funds showed notable outflow. Risk 2: Chip concentration suggests short-term resistance.
Selain analisis per saham, ada juga mode market review yang merangkum indeks utama, jumlah saham naik dan turun, serta sektor terkuat dan terlemah.
15 Strategi Bawaan
Strategi disimpan sebagai berkas YAML di folder strategies/. Berikut daftarnya, kami terjemahkan dari deskripsi berbahasa Tionghoa di setiap berkas:
| Berkas | Strategi |
|---|---|
bull_trend |
Tren naik (strategi bawaan): mengenali susunan rata-rata bergerak yang naik, kelanjutan tren, dan peluang beli saat koreksi |
ma_golden_cross |
Golden cross rata-rata bergerak yang dikonfirmasi volume |
volume_breakout |
Tembus level resistance disertai lonjakan volume |
shrink_pullback |
Koreksi ke support rata-rata bergerak dengan volume mengecil |
bottom_volume |
Lonjakan volume di dasar setelah penurunan panjang, sinyal potensi pembalikan |
box_oscillation |
Harga bergerak dalam kotak: beli di batas bawah, kurangi posisi di batas atas |
one_yang_three_yin |
Pola candlestick satu lilin naik mengapit tiga lilin turun, sinyal kelanjutan tren |
chan_theory |
Chan theory (teori analisis teknikal populer di Tiongkok) untuk level tren, titik beli dan jual, serta divergensi |
wave_theory |
Teori gelombang Elliott |
dragon_head |
Mencari saham pemimpin sektor saat rotasi sektor |
hot_theme |
Mengikuti tema yang sedang panas dari kebijakan, industri, atau pasar |
emotion_cycle |
Siklus sentimen pasar: mencari titik panik dan titik euforia |
event_driven |
Berbasis peristiwa seperti laporan keuangan, kebijakan, akuisisi, atau peluncuran produk |
expectation_repricing |
Perubahan ekspektasi laba, kebijakan, dan valuasi |
growth_quality |
Kualitas pertumbuhan dari pendapatan, laba, ROE, arus kas, dan ruang industri |
Anda juga bisa menulis berkas strategi sendiri.
Sumber Data dan Model AI
| Jenis | Yang didukung |
|---|---|
| Model AI | Gemini, Claude, layanan yang kompatibel dengan OpenAI (termasuk DeepSeek dan Qwen), Ollama untuk model lokal, serta beberapa gateway pihak ketiga (Modelflare, x6.ai, AIHubMix) |
| Data pasar | AkShare, Tushare, Pytdx, Baostock, YFinance, Longbridge, TickPlus |
| Pencarian berita | SerpAPI, Anspire, Tavily, Bocha, Brave, MiniMax, SearXNG |
| Sentimen sosial | Reddit, X, dan Polymarket, khusus saham AS |
DSA bisa berjalan tanpa kredensial sumber data tambahan karena memakai sumber gratis seperti AkShare, Baostock, dan YFinance. README sendiri mengingatkan bahwa sumber gratis ini bisa terkena pembatasan, berubah tanpa pemberitahuan, atau tidak stabil. Untuk jadwal rutin atau analisis banyak saham, README menyarankan sumber berbasis token seperti Tushare atau Longbridge.
Pasar yang Didukung, dan Catatan untuk Investor Indonesia
| Pasar | Contoh format kode |
|---|---|
| A-share (Tiongkok daratan) | 600519 |
| Hong Kong | hk00700 |
| Amerika Serikat | AAPL |
| Jepang | 7203.T |
| Korea (KOSPI / KOSDAQ) | 005930.KS / 247540.KQ |
| Taiwan | 2330.TW |
ETF dan beberapa indeks juga didukung. Dokumentasi batas pasar mencatat bahwa saham Jepang dan Korea hanya memakai data YFinance, tidak menjanjikan data real-time, dan sebagian fitur khusus A-share (misalnya arus dana dan papan peringkat) tidak tersedia untuk pasar tersebut.
Bursa Efek Indonesia tidak termasuk. Kami tidak menemukan penyebutan Indonesia maupun akhiran kode .JK di dokumentasi dan kode Python repo ini.
Analisis redaksi: dari pembacaan fungsi detect_market di berkas src/market_context.py, kode seperti BBCA.JK tidak dikenali sebagai pasar tersendiri. Kode ini justru cocok dengan pola kode saham AS (1 sampai 5 huruf, diikuti titik dan 1 sampai 2 huruf), sehingga prompt ke model kemungkinan akan menyebutnya “US stock” dan memakai konteks pasar AS. Kami tidak menjalankan pengujian langsung, tetapi hasil analisis saham Indonesia lewat DSA sebaiknya dianggap tidak andal sampai ada dukungan resmi.
Cara Memasang DSA
Opsi 1: GitHub Actions (disarankan README)
README menyebut cara ini bisa selesai sekitar 5 menit tanpa server.
- Fork repositori ke akun GitHub Anda.
- Buka Settings → Secrets and variables → Actions, lalu tambahkan secret:
- Minimal satu API key model AI, misalnya
GEMINI_API_KEY,ANTHROPIC_API_KEY, atauOPENAI_API_KEY(ditambahOPENAI_BASE_URLdanOPENAI_MODELuntuk layanan yang kompatibel dengan OpenAI). - Minimal satu kanal notifikasi, misalnya
TELEGRAM_BOT_TOKENdanTELEGRAM_CHAT_ID. - Daftar saham pantauan di
STOCK_LIST, misalnyaAAPL,7203.T,2330.TW. - Opsional tetapi disarankan: API key pencarian berita seperti
TAVILY_API_KEYSatauBRAVE_API_KEYS.
- Minimal satu API key model AI, misalnya
- Buka tab Actions dan aktifkan workflow.
- Uji manual lewat Actions → Daily Stock Analysis → Run workflow.
Secara bawaan, workflow berjalan setiap Senin sampai Jumat pukul 18.00 waktu Beijing, atau 17.00 WIB (jadwal cron 0 10 * * 1-5 dalam UTC), dan melewati hari libur bursa.
Opsi 2: Lokal atau Docker
git clone https://github.com/ZhuLinsen/daily_stock_analysis.git && cd daily_stock_analysis pip install -r requirements.txt cp .env.example .env && vim .env python main.py
Perintah yang sering dipakai:
| Perintah | Fungsi |
|---|---|
python main.py --dry-run |
Hanya mengambil data, tanpa analisis AI (cocok untuk uji koneksi sumber data) |
python main.py --no-notify |
Analisis tanpa mengirim notifikasi |
python main.py --stocks AAPL,2330.TW |
Analisis saham tertentu sekali jalan |
python main.py --market-review |
Ringkasan kondisi pasar |
python main.py --schedule |
Mode terjadwal |
python main.py --webui |
Menjalankan antarmuka web di http://127.0.0.1:8000 |
Panduan lengkap juga menyediakan konfigurasi Docker Compose dan image resmi untuk mode web/API maupun mode terjadwal.
Fitur Backtest: Mengukur Ketepatan Rekomendasi
DSA punya modul backtest yang mencocokkan rekomendasi AI di masa lalu dengan pergerakan harga sesudahnya. Menurut panduan lengkap, cara kerjanya:
- Memilih riwayat analisis yang sudah melewati masa tunggu (bawaannya 14 hari).
- Mengambil data harga harian setelah tanggal analisis.
- Menyimpulkan arah yang diharapkan dari rekomendasi, lalu membandingkannya dengan pergerakan sebenarnya.
- Mengecek apakah level stop-loss atau take-profit tersentuh dan menyimulasikan imbal hasilnya.
- Merangkum hasil per saham dan secara keseluruhan.
| Rekomendasi | Arah yang diharapkan | Dianggap benar jika |
|---|---|---|
| Buy / Add / Strong Buy | Naik | Kenaikan melebihi pita netral |
| Sell / Reduce / Strong Sell | Turun | Penurunan melebihi pita netral |
| Hold dan variannya | Tidak turun | Tidak ada penurunan signifikan |
| Wait / Observe | Datar | Harga tetap di dalam pita netral |
Pita netral bawaannya ±2 persen, dengan jendela evaluasi 10 hari bursa. Backtest berjalan otomatis setelah analisis harian.
Analisis redaksi: fitur ini layak dimanfaatkan. Sebelum mempercayai rekomendasi DSA, jalankan dulu beberapa minggu tanpa uang sungguhan, lalu lihat hasil backtest-nya.
Privasi dan Keamanan
- Artifact GitHub Actions. Workflow bawaan mengunggah folder
reports/danlogs/sebagai artifact dengan masa simpan 30 hari. Menurut dokumentasi GitHub, siapa pun yang login ke GitHub dan punya akses baca ke repositori bisa mengunduh artifact. Jika fork Anda publik, laporan dan log itu, termasuk kode saham pantauan Anda, bisa diunduh orang lain. Panduan DSA sendiri mengingatkan bahwa log analisis memuat kode saham yang dianalisis. - Simpan API key sebagai Secret, jangan ditulis di berkas yang ikut ter-commit.
- Data dikirim ke penyedia model. Daftar saham dan konteks analisis dikirim ke penyedia AI yang Anda pilih. Ollama bisa menjadi pilihan jika ingin semuanya berjalan lokal, meski README menyebut Ollama lebih cocok untuk deployment lokal atau Docker dibanding GitHub Actions.
- Integrasi broker hanya membaca. Panduan menyebut integrasi portofolio Futu hanya membaca akun dan posisi, tidak memasang, mengubah, atau membatalkan order.
Batasan yang Perlu Dipahami
- Bukan nasihat investasi. README menegaskan proyek ini hanya untuk informasi dan edukasi, dan analisis AI bukan saran investasi.
- Tidak ada bukti akurasi prediksi. Makalah arXiv-nya melaporkan 1.457 tes kontrak backend lulus, tetapi menulis dengan jelas bahwa bukti ini “establishes implementation conformance for the tested software contracts, not superior report quality, forecasting accuracy, or investment returns”. Artinya, yang terbukti hanya perangkat lunaknya berjalan sesuai spesifikasi, bukan bahwa ramalannya akurat atau menguntungkan.
- Berpusat pada pasar Tiongkok. Banyak strategi dan konsep (misalnya chan theory, saham pemimpin sektor, arus dana “main force”) berasal dari praktik pasar A-share.
- Sumber data gratis tidak stabil. Data bisa terlambat, kosong, atau terkena batas akses.
Analisis Redaksi
Bagian ini adalah opini redaksi Softovator.
Dari sisi rekayasa perangkat lunak, DSA menarik untuk dipelajari. Proyek ini menunjukkan cara menyusun pipeline agen AI yang serius: data dikumpulkan dulu, kualitasnya dinilai, keterbatasan data disampaikan ke model, dan ada pengaman yang menurunkan keyakinan saat data buruk. Makalahnya juga jujur tentang apa yang sudah dan belum terbukti.
Ada dua catatan. Pertama, README dan konfigurasi bawaan menonjolkan sponsor: gateway model seperti Modelflare dan x6.ai serta penyedia data TickPlus ditandai “Recommended” dan memakai tautan pendaftaran khusus. Ini wajar untuk proyek open source yang butuh dana, tetapi Anda tidak wajib memakainya. API key Gemini, Claude, atau OpenAI langsung juga didukung. Kedua, untuk investor Indonesia, nilai praktis DSA saat ini terbatas karena saham BEI tidak didukung. Pemakaiannya lebih cocok bagi yang berinvestasi di saham AS, atau bagi developer yang ingin membuat sistem serupa untuk pasar lokal.
Paling penting, laporan dari sistem seperti ini adalah bahan riset, bukan sinyal untuk langsung membeli atau menjual. Keputusan investasi tetap tanggung jawab Anda.
Kesimpulan
Daily Stock Analysis adalah sistem open source berlisensi MIT yang memakai LLM dan agen AI untuk menyusun laporan analisis saham harian, dengan dukungan enam pasar Asia dan AS, 15 strategi bawaan, backtest, antarmuka web, serta pengiriman otomatis lewat GitHub Actions. Popularitasnya di GitHub didorong oleh kemudahan pemasangan dan arsitekturnya yang rapi. Bagi pembaca di Indonesia, catat dua hal: saham BEI belum didukung, dan pembuatnya sendiri menegaskan bahwa sistem ini tidak terbukti akurat memprediksi harga.
Sumber
- GitHub: ZhuLinsen/daily_stock_analysis
- GitHub: README (English)
- GitHub: Complete Configuration and Deployment Guide
- GitHub: Dokumentasi dukungan dan batas pasar
- GitHub: Changelog
- GitHub: Folder strategi bawaan
- GitHub: src/market_context.py
- GitHub: Workflow analisis harian
- arXiv: DSA: Evidence-Aware LLM-Agent Orchestration for Multi-Market Stock Research
- GitHub Docs: Downloading workflow artifacts
- GitHub Trending (mingguan)
