برنامه نویسی

یک دستیار مالی هوشمند با Google Vertex AI & Gemini API

مقدمه

با ظهور شما در امور مالی دارید، مردم به دنبال سیستم های هوشمند هستند که می توانند روند سهام را تجزیه و تحلیل کنند ، بینش سرمایه گذاری ارائه دهند و در تصمیم گیری کمک کنند. در این وبلاگ ، من شما را از طریق من قدم می زنم دستیار مالی هوشمند، یک پروژه ساخته شده با استفاده از Google Vertex AI وت جوی هوش مصنوعیبشر

این دستیار می تواند:

  • داده های سهام در زمان واقعی ** از Alpha Vantage
  • بینش سرمایه گذاری تولید شده توسط AI ** با استفاده از جمینی
  • مفاهیم مالی را توضیح دهید ** برای مبتدیان

بیایید به اجرای ، کد و خروجی های دنیای واقعی!

پیش نیازهای

قبل از شروع ساخت دستیار مالی هوشمند، اطمینان حاصل کنید که شرایط زیر را برآورده می کنید:

حساب Google Cloud Platform (GCP) – برای دسترسی به مدل های AI و استقرار مدل های AI به یک حساب GCP نیاز دارید. اگر یکی ندارید ، می توانید در اینجا ثبت نام کنید.

Vertex AI را فعال کنید – برو به کنسول ابر گوگل و فعال کردن vertex ai api برای پروژه شما

درک اساسی از vertex ai – شما باید برخی از دانش را داشته باشید Google Vertex AI، از جمله:

  • چگونه شروع کردن vertex ai
  • چگونه استقرار مدل های AI
  • مفاهیم اساسی فراخوانی تابع با هوش مصنوعی

Google Cloud SDK نصب شده است – نصب کنید Google Cloud CLI برای تأیید اعتبار و مدیریت پروژه خود. آن را از اینجا بارگیری کنید.

پایتون نصب شده است – اطمینان حاصل کنید که دارید پایتون 3.x برای اجرای اسکریپت های AI روی سیستم خود نصب شده است.


1. بررسی اجمالی پروژه

در دستیار مالی هوشمند به گونه ای طراحی شده است:

✔ استفاده کنید Google Vertex AI برای تعامل با هوش مصنوعی

✔ ادغام تماس عملکرد جمینی برای پاسخ به سؤالات مالی

✔ بینش اساسی در مورد روند سهام ، به روزرسانی های بازار و سرمایه گذاری

✔ زمینه را برای پیشرفت های آینده، از جمله تجزیه و تحلیل مالی در زمان واقعی


2. پشته فناوری استفاده شد

  • Google Vertex AI: مدل های AI و استقرار ابر را مدیریت می کند
  • جوی هوش مصنوعی: نمایش داده های مربوط به مالی
  • پیتون: برای برنامه نویسی و اجرای مدل AI
  • Google Cloud SDK: برای احراز هویت و دسترسی API

3. مراحل اجرای

مرحله 1: تنظیم Google Vertex AI

اطمینان حاصل کنید که دارید Google Cloud SDK نصب شده و Vertex AI فعال شد در پروژه Google Cloud خود.

# Authenticate Google Cloud (Run in your terminal)
gcloud auth application-default login --no-launch-browser
gcloud config set project your-project-id
حالت تمام صفحه را وارد کنید

از حالت تمام صفحه خارج شوید

مرحله 2: Vertyex AI را در پایتون آغاز کنید

from google.auth import default
from vertexai import init
from vertexai.generative_models import GenerativeModel, Content

# ✅ Replace with your actual Google Cloud project ID
PROJECT_ID = "your-project-id"
LOCATION = "us-central1"

# ✅ Initialize Vertex AI
init(
    project=PROJECT_ID,
    location=LOCATION,
    credentials=None  # Replace with actual credentials
)
حالت تمام صفحه را وارد کنید

از حالت تمام صفحه خارج شوید

مرحله 3: جمینی را برای تماس با عملکرد AI ادغام کنید

# ✅ Initialize Gemini Model
model = GenerativeModel("gemini-2.0-flash-001")

# ✅ Sample User Query (Financial Question)
user_query = "What are the latest stock market trends?"

# ✅ AI Processing
response = model.generate_content([Content(role="user", parts=[user_query])])

# ✅ Display AI Response
print("Financial Assistant Response:", response)
حالت تمام صفحه را وارد کنید

از حالت تمام صفحه خارج شوید


4. دستیار مالی هوشمند: داده های بازار سهام AI +

حالا ، بیایید داده های سهام در زمان واقعی را ادغام کنید به دستیار ما!

اجرای کد

import requests
from vertexai.generative_models import GenerativeModel, Content, Part

# ✅ Alpha Vantage API Key (Replace with actual key)
API_KEY = "your_api_key_here"

# ✅ Function to Fetch Stock Data
def get_stock_price(symbol):
    """Fetches real-time stock data for the given symbol from Alpha Vantage."""
    url = f"https://www.alphavantage.co/query?function=TIME_SERIES_INTRADAY&symbol={symbol}&interval=5min&apikey={API_KEY}"
    response = requests.get(url)
    data = response.json()
    time_series = data.get("Time Series (5min)", {})
    if not time_series:
        return f"❌ No data found for {symbol}. Please check the stock symbol."
    latest_timestamp = max(time_series.keys())
    stock_data = time_series[latest_timestamp]
    return (
        f"📈 Stock Data for {symbol}:\n"
        f"- Open: {stock_data['1. open']}\n"
        f"- High: {stock_data['2. high']}\n"
        f"- Low: {stock_data['3. low']}\n"
        f"- Close: {stock_data['4. close']}\n"
        f"- Volume: {stock_data['5. volume']}\n"
    )
حالت تمام صفحه را وارد کنید

از حالت تمام صفحه خارج شوید

نمونه خروجی

📈 Stock Data for IBM:
- Open: $198.40
- High: $200.00
- Low: $197.50
- Close: $198.90
- Volume: 3,200,000
حالت تمام صفحه را وارد کنید

از حالت تمام صفحه خارج شوید

5. کد موجود در GitHub را بررسی کنید!

💻 مخزن GitHub: اینجا را کلیک کنید

#ai #finance #vertexaisprint #googlecloud #fintech #machinelearning #stockmarket

نوشته های مشابه

دیدگاهتان را بنویسید

نشانی ایمیل شما منتشر نخواهد شد. بخش‌های موردنیاز علامت‌گذاری شده‌اند *

دکمه بازگشت به بالا