🤖 AI 投资系统 🧠

⚠️ 免责声明：本项目仅用于教育和研究目的，不构成任何投资、实际交易建议。投资有风险，决策需谨慎。再次强调，该系统不涉及任何投资建议，不涉及任何股票推荐，仅用于对于 AI 技术和股市结合感兴趣的朋友。对 Agent 技术和股市感兴趣者来，升官发财请往他处。不再回复任何有关系统给出信息有无用的问题，此系统不构成任何投资建议。

项目概述

这是一个基于人工智能的投资系统概念验证项目。项目目标是探索如何使用 AI 来辅助投资决策，通过多 Agent 协同工作，结合大型语言模型 (LLM) 的分析能力，提供多角度的市场解读和投资建议。

核心理念：多智能体协同与 LLM 增强决策

系统通过模拟不同角色的研究员（多头、空头）和分析师，进行信息收集、分析、辩论，最终形成投资决策。最新的“辩论室智能增强”机制引入 LLM 作为独立第三方，进一步提升决策的客观性和全面性。

多智能体协同	LLM 深度分析	辩论室机制	模块化架构
在多分析师基础上，引入多空研究员，从不同视角分析市场	引入大型语言模型进行客观评估和洞察生成	通过多方辩论达成更全面的决策	各 Agent 独立运作，易于扩展和维护

系统架构

新版本的架构做出了以下改进：

引入了多头研究员(Researcher Bull)和空头研究员(Researcher Bear)，让系统能够从不同角度分析市场
增加了辩论室(Debate Room)环节，通过多空双方的辩论来达成更全面的决策
优化了数据流向，使决策过程更加系统化和完整

另外，优化了终端输出，减少了不必要的详细数据显示，使输出更加清晰易读。

🛠️ 安装与设置 (Setup)

首先，克隆本仓库到您的本地：

git clone [https://github.com/24mlight/A_Share_investment_Agent.git](https://github.com/24mlight/A_Share_investment_Agent.git)
cd A_Share_investment_Agent

1. 安装 Poetry

Poetry 是一个用于 Python 依赖管理和打包的工具。

Windows (PowerShell):

(Invoke-WebRequest -Uri [https://install.python-poetry.org](https://install.python-poetry.org) -UseBasicParsing).Content | py -

Unix/macOS:

curl -sSL [https://install.python-poetry.org](https://install.python-poetry.org) | python3 -

2. 安装项目依赖

使用 Poetry 安装项目所需的依赖包：

poetry lock --no-update

poetry install

3. 配置环境变量

环境变量用于存储 API 密钥等敏感信息。

首先，复制示例环境变量文件：

# Create .env file for your API keys
cp .env.example .env

然后，您可以获取您的 Gemini API 密钥：Google AI Studio

您可以通过以下两种方式设置环境变量:

a. 直接修改 .env 文件 (推荐) 打开项目根目录下的 .env 文件, 填入您的 API key:

# Gemini API 配置
GEMINI_API_KEY=your-gemini-api-key
GEMINI_MODEL=gemini-1.5-flash

# OpenAI Compatible API 配置（可选）
OPENAI_COMPATIBLE_API_KEY=your-openai-compatible-api-key
OPENAI_COMPATIBLE_BASE_URL=https://your-api-endpoint.com/v1
OPENAI_COMPATIBLE_MODEL=your-model-name

注意: 系统会优先使用 OpenAI Compatible API（如果配置了），否则会使用 Gemini API。

b. 通过命令行设置

Unix/macOS:

# Gemini API 配置
export GEMINI_API_KEY='your-gemini-api-key'
export GEMINI_MODEL='gemini-1.5-flash'

# OpenAI Compatible API 配置（可选）
export OPENAI_COMPATIBLE_API_KEY='your-openai-compatible-api-key'
export OPENAI_COMPATIBLE_BASE_URL='https://your-api-endpoint.com/v1'
export OPENAI_COMPATIBLE_MODEL='your-model-name'

Windows PowerShell:

# Gemini API 配置
$env:GEMINI_API_KEY='your-gemini-api-key'
$env:GEMINI_MODEL='gemini-1.5-flash'

# OpenAI Compatible API 配置（可选）
$env:OPENAI_COMPATIBLE_API_KEY='your-openai-compatible-api-key'
$env:OPENAI_COMPATIBLE_BASE_URL='https://your-api-endpoint.com/v1'
$env:OPENAI_COMPATIBLE_MODEL='your-model-name'

🚀 使用指南 (Usage)

⚠️ 注意: 目前回测系统还在测试中。

系统支持多种运行方式：

1. 命令行分析模式

这是直接与系统交互进行股票分析的主要方式。

基本运行 (只显示关键决策信息):

poetry run python src/main.py --ticker 000000 #修改成你想要测试的股票代码

例如，分析股票代码为 301155 的情况：

poetry run python src/main.py --ticker 301155

显示详细推理过程 (查看每个智能体的分析过程):

poetry run python src/main.py --ticker 000000 --show-reasoning #修改成你想要测试的股票代码

例如:

poetry run python src/main.py --ticker 301155 --show-reasoning

回测功能

poetry run python src/backtester.py --ticker 301157 --start-date 2024-12-11 --end-date 2025-01-07 --num-of-news 20

回测功能支持以下参数：

ticker: 股票代码
start-date: 回测开始日期（YYYY-MM-DD）
end-date: 回测结束日期（YYYY-MM-DD）
initial-capital: 初始资金（可选，默认为 100,000）
num-of-news: 情绪分析使用的新闻数量（可选，默认为 5，最大为 100）

参数说明

--ticker: 股票代码（必需）
--show-reasoning: 显示分析推理过程（可选，默认为 false）
--initial-capital: 初始现金金额（可选，默认为 100,000）
--num-of-news: 情绪分析使用的新闻数量（可选，默认为 5，最大为 100）
--start-date: 开始日期，格式 YYYY-MM-DD（可选）
--end-date: 结束日期，格式 YYYY-MM-DD（可选）

2. 后端 API 服务模式

此模式会启动一个 FastAPI 后端服务，允许通过 API 与系统交互，适合希望基于此后端开发自定义前端界面的用户。

# 启动API服务
poetry run python run_with_backend.py

启动后，可以通过浏览器访问 http://localhost:8000/docs 使用交互式 API 界面 (Swagger UI)。

常用 API 端点包括：

开始新的分析: POST /analysis/start (请求体中提供股票代码、初始资金等)
查看当前工作流状态: GET /api/workflow/status (获取当前运行 ID 和活跃 Agent 状态)
列出历史运行: GET /runs/ (获取已完成运行列表)
查看特定运行的流程图: GET /runs/{run_id}/flow
查看特定 Agent 的详细执行日志: GET /runs/{run_id}/agents/{agent_name}
查看 LLM 交互日志: GET /logs/ (具体路径可能需根据实现确认)

API 服务模式的优势：

分析任务在后台异步执行。
所有结果均可通过 API 查询。
无需为每次分析重启程序。
可作为开发自定义前端的基础。

详细的后端 API 文档请参阅：查看详细的后端 API 文档

参数说明 (命令行模式)

--ticker: 股票代码 (必需)
--show-reasoning: 显示分析推理过程 (可选, 默认为 false)
--initial-capital: 初始现金金额 (可选, 默认为 100,000)
--num-of-news: 情绪分析使用的新闻数量 (可选, 默认为 5)

命令行模式输出说明

系统会输出以下信息：

基本面分析结果
估值分析结果
技术分析结果
情绪分析结果
风险管理评估
最终交易决策

如果使用了--show-reasoning参数，还会显示每个智能体的详细分析过程。

示例输出 (Example Output):

正在获取 301157 的历史行情数据...
开始日期：2024-12-11
结束日期：2024-12-11
成功获取历史行情数据，共 242 条记录

警告：以下指标存在NaN值：
- momentum_1m: 20条
- momentum_3m: 60条
- momentum_6m: 120条
...（这些警告是正常的，是由于某些技术指标需要更长的历史数据才能计算）

正在获取 301157 的财务指标数据...
获取实时行情...
成功获取实时行情数据

获取新浪财务指标...
成功获取新浪财务指标数据，共 3 条记录
最新数据日期：2024-09-30 00:00:00

获取利润表数据...
成功获取利润表数据

构建指标数据...
成功构建指标数据

Final Result:
{
  "action": "buy",
  "quantity": 12500,
  "confidence": 0.42,
  "agent_signals": [
    {
      "agent": "Technical Analysis",
      "signal": "bullish",
      "confidence": 0.6
    },
    {
      "agent": "Fundamental Analysis",
      "signal": "neutral",
      "confidence": 0.5
    },
    {
      "agent": "Sentiment Analysis",
      "signal": "neutral",
      "confidence": 0.8
    },
    {
      "agent": "Valuation Analysis",
      "signal": "bearish",
      "confidence": 0.99
    },
    {
      "agent": "Risk Management",
      "signal": "buy",
      "confidence": 1.0
    }
  ],
  "reasoning": "Risk Management allows a buy action with a maximum quantity of 12500..."
}

日志文件说明

系统会在 logs/ 目录下生成以下类型的日志文件：

回测日志
- 文件名格式：backtest_{股票代码}_{当前日期}_{回测开始日期}_{回测结束日期}.log
- 示例：backtest_301157_20250107_20241201_20241230.log
- 包含：每个交易日的分析结果、交易决策和投资组合状态
API 调用日志
- 文件名格式：api_calls_{当前日期}.log
- 示例：api_calls_20250107.log
- 包含：所有 API 调用的详细信息和响应

所有日期格式均为 YYYY-MM-DD。如果使用了 --show-reasoning 参数，详细的分析过程也会记录在日志文件中。

📂 项目结构 (Project Structure)

A_Share_investment_Agent/
├── backend/                     # 后端 API 和服务
│   ├── dependencies.py          # 依赖注入 (如 LogStorage)
│   ├── main.py                  # FastAPI 应用实例
│   ├── models/                  # API 请求/响应模型 (Pydantic)
│   │   ├── analysis.py          # /analysis/ 相关路由
│   │   ├── api_runs.py          # /api/runs/ 相关路由 (基于 api_state)
│   │   ├── logs.py              # /logs/ 相关路由
│   │   ├── runs.py              # /runs/ 相关路由 (基于 BaseLogStorage)
│   │   └── workflow.py          # /api/workflow/ 相关路由
│   ├── schemas.py               # 内部数据结构/日志模型 (Pydantic)
│   ├── services/                # 业务逻辑服务
│   │   └── analysis.py          # 股票分析服务
│   ├── state.py                 # 内存状态管理 (api_state)
│   ├── storage/                 # 日志存储实现
│   │   ├── base.py              # BaseLogStorage 接口定义
│   │   └── memory.py            # InMemoryLogStorage 实现
│   └── utils/                   # 后端工具函数
│       ├── api_utils.py         # API 相关工具
│       └── context_managers.py  # 上下文管理器 (如 workflow_run)
├── src/                         # Agent 核心逻辑和工具
│   ├── agents/                  # Agent 定义和工作流
│   │   ├── __init__.py
│   │   ├── debate_room.py
│   │   ├── fundamentals.py
│   │   ├── macro_analyst.py       # 宏观分析师Agent
│   │   ├── market_data.py
│   │   ├── portfolio_manager.py
│   │   ├── researcher_bear.py
│   │   ├── researcher_bull.py
│   │   ├── risk_manager.py
│   │   ├── sentiment.py
│   │   ├── state.py
│   │   ├── technicals.py
│   │   └── valuation.py
│   ├── data/                   # 数据存储目录 (本地缓存等)
│   │   ├── img/                # 项目图片
│   │   ├── sentiment_cache.json  # 情感分析结果缓存
│   │   ├── macro_analysis_cache.json  # 宏观分析结果缓存
│   │   └── stock_news/         # 股票新闻数据
│   ├── tools/                  # 工具和功能模块 (LLM, 数据获取)
│   │   ├── __init__.py
│   │   ├── api.py
│   │   ├── data_analyzer.py
│   │   ├── news_crawler.py
│   │   └── openrouter_config.py
│   ├── utils/                  # 通用工具函数 (日志, LLM客户端, 序列化)
│   │   ├── __init__.py
│   │   ├── api_utils.py        # Agent 共享的API工具 (逐步迁移至 backend)
│   │   ├── llm_clients.py
│   │   ├── llm_interaction_logger.py
│   │   ├── logging_config.py
│   │   ├── output_logger.py
│   │   ├── serialization.py
│   │   ├── structured_terminal.py  # 结构化终端输出
│   │   └── summary_report.py    # 汇总报告生成
│   ├── backtester.py          # 回测系统 (可能需要检查状态)
│   └── main.py                # Agent 工作流定义和命令行入口
├── logs/                      # 日志文件目录 (主要由 OutputLogger 生成)
├── .env                       # 环境变量配置
├── .env.example              # 环境变量示例
├── poetry.lock               # Poetry依赖锁定文件
├── pyproject.toml            # Poetry项目配置
├── run_with_backend.py       # 启动后端并可选执行分析的脚本
└── README.md                 # 项目文档

🤝 贡献指南 (Contributing)

我们欢迎各种形式的贡献！

Fork 本仓库
创建您的特性分支 (git checkout -b feature/AmazingFeature)
提交您的更改 (git commit -m 'Add some AmazingFeature')
推送到分支 (git push origin feature/AmazingFeature)
创建 Pull Request

☕️ 支持与社区

如果这个项目对你有帮助，欢迎请我喝杯咖啡 ❤️

🌟 加入我们的社区

同时也欢迎关注我们的公众号【空指针指向量化 Agent】（原文为：空指针指向了量化 Agent，根据上下文推测可能笔误），获取更多量化投资和 AI 智能交易相关的干货内容！

公众号：空指针指向量化 Agent

知识星球
独家策略、资料分享
量化投资交流、一对一答疑

📖 项目详细说明

架构设计

本项目是一个基于多个 agent 的 AI 投资系统，采用模块化设计，每个 agent 都有其专门的职责。系统的架构如下：

Market Data Analyst → [Technical/Fundamentals/Sentiment/Valuation Analyst & Researcher Bull/Bear & Debate Room] → Risk Manager → Portfolio Manager → Trading Decision

(架构图已在前面展示)

Agent 角色和职责

Market Data Analyst
- 作为系统的入口点
- 负责收集和预处理所有必要的市场数据
- 通过 akshare API 获取 A 股市场数据
- 数据来源：东方财富、新浪财经等
Technical Analyst
- 分析价格趋势、成交量、动量等技术指标
- 生成基于技术分析的交易信号
- 关注短期市场走势和交易机会
Fundamentals Analyst
- 分析公司财务指标和经营状况
- 评估公司的长期发展潜力
- 生成基于基本面的交易信号
Sentiment Analyst
- 分析市场新闻和舆论数据
- 评估市场情绪和投资者行为
- 生成基于情绪的交易信号
Valuation Analyst
- 进行公司估值分析
- 评估股票的内在价值
- 生成基于估值的交易信号
Researcher Bull / Researcher Bear (新增)
- 分别从多头和空头角度进行深入研究和分析，提供对立观点。
Debate Room (新增与增强)
- 多空研究员在此陈述观点并进行辩论。
- 引入 LLM 作为第三方分析师，对辩论内容和观点进行客观评估。
- 综合各方观点和 LLM 评分，形成更全面的决策依据。
Risk Manager
- 整合所有 agent 的交易信号和辩论结果
- 评估潜在风险
- 设定交易限制和风险控制参数
- 生成风险管理信号
Portfolio Manager
- 作为最终决策者
- 综合考虑所有信号、辩论结果和风险因素
- 做出最终的交易决策（买入/卖出/持有）
- 确保决策符合风险管理要求

数据流和处理

数据类型

市场数据 (Market Data)

{
   "market_cap": float,        # 总市值
   "volume": float,            # 成交量
   "average_volume": float,    # 平均成交量
   "fifty_two_week_high": float,  # 52周最高价
   "fifty_two_week_low": float    # 52周最低价
}

财务指标数据 (Financial Metrics)

{
   # 市场数据
   "market_cap": float,          # 总市值
   "float_market_cap": float,    # 流通市值

   # 盈利数据
   "revenue": float,             # 营业总收入
   "net_income": float,          # 净利润
   "return_on_equity": float,    # 净资产收益率
   "net_margin": float,          # 销售净利率
   "operating_margin": float,    # 营业利润率

   # 增长指标
   "revenue_growth": float,      # 主营业务收入增长率
   "earnings_growth": float,     # 净利润增长率
   "book_value_growth": float,   # 净资产增长率

   # 财务健康指标
   "current_ratio": float,       # 流动比率
   "debt_to_equity": float,      # 资产负债率
   "free_cash_flow_per_share": float,  # 每股经营性现金流
   "earnings_per_share": float,  # 每股收益

   # 估值比率
   "pe_ratio": float,           # 市盈率（动态）
   "price_to_book": float,      # 市净率
   "price_to_sales": float      # 市销率
}

财务报表数据 (Financial Statements)

{
   "net_income": float,          # 净利润
   "operating_revenue": float,    # 营业总收入
   "operating_profit": float,     # 营业利润
   "working_capital": float,      # 营运资金
   "depreciation_and_amortization": float,  # 折旧和摊销
   "capital_expenditure": float,  # 资本支出
   "free_cash_flow": float       # 自由现金流
}

交易信号 (Trading Signals)

{
   "action": str,               # "buy", "sell", "hold"
   "quantity": int,             # 交易数量
   "confidence": float,         # 置信度 (0-1) (可能是混合置信度)
   "agent_signals": [           # 各个 agent 的信号
       {
           "agent": str,        # agent 名称
           "signal": str,       # "bullish", "bearish", "neutral"
           "confidence": float  # 置信度 (0-1)
       }
   ],
   "reasoning": str            # 决策理由 (可能包含辩论摘要和LLM评估)
}

数据流转过程

数据采集阶段
- Market Data Agent 通过 akshare API 获取实时市场数据：
  - 股票实时行情 (stock_zh_a_spot_em)
  - 历史行情数据 (stock_zh_a_hist)
  - 财务指标数据 (stock_financial_analysis_indicator)
  - 财务报表数据 (stock_financial_report_sina)
- 新闻数据通过新浪财经 API 获取
- 所有数据经过标准化处理和格式化
分析阶段
- Technical Analyst：计算技术指标，分析价格模式，生成技术分析评分和建议。
- Fundamentals Analyst：分析财务报表，评估基本面，生成基本面分析评分。
- Sentiment Analyst：分析市场新闻，使用 AI 模型评估情感，生成市场情绪评分。
- Valuation Analyst：计算估值指标，进行 DCF 估值，评估内在价值。
- Researcher Bull/Bear：从各自立场出发，进行深入分析，准备辩论材料。
辩论与评估阶段 (Debate Room)
- 多空研究员提交观点。
- 系统汇总观点，可能由 LLM 辅助生成结构化分析。
- LLM 作为第三方对观点进行客观评估，给出评分。
- 计算混合置信度。
风险评估阶段 Risk Manager 综合考虑多个维度：
- 市场风险评估（波动率、Beta 等）
- 头寸规模限制计算
- 止损止盈水平设定
- 投资组合风险控制
- 整合来自辩论室的增强信号。
决策阶段 Portfolio Manager 基于以下因素做出决策：
- 各 Agent 的信号强度和置信度。
- 辩论室的综合结论和混合置信度。
- 当前市场状况和风险水平。
- 投资组合状态和现金水平。
- 交易成本和流动性考虑。
数据存储和缓存
- 情绪分析结果缓存在 data/sentiment_cache.json
- 新闻数据保存在 data/stock_news/ 目录
- 日志文件按类型存储在 logs/ 目录
- API 调用记录实时写入日志
监控和反馈
- 所有 API 调用都有详细的日志记录
- 每个 Agent 的分析过程可追踪
- 系统决策过程（包括辩论环节）透明可查
- 回测结果提供性能评估

代理协作机制

信息共享
- 所有代理共享同一个状态对象 (AgentState) 或通过明确定义的数据结构传递信息。
- 通过消息传递机制或顺序调用进行通信。
- 每个代理都可以访问必要的历史数据和前序分析结果。
决策权重与融合 Portfolio Manager 在做决策时考虑不同信号的权重，并结合辩论室的混合置信度：
- 估值分析：(示例权重) 35%
- 基本面分析：(示例权重) 30%
- 技术分析：(示例权重) 25%
- 情绪分析：(示例权重) 10%
- 辩论室结论：可能作为最终决策的重要调整因子或独立置信度来源。
风险控制
- 强制性风险限制
- 最大持仓限制
- 交易规模限制
- 止损和止盈设置

系统特点

多 LLM 支持
- 支持 Google Gemini API
- 支持任何兼容 OpenAI API 格式的 LLM 服务（如华为云方舟、OpenRouter 等）
- 智能切换功能：自动选择可用的 LLM 服务
模块化设计
- 每个代理都是独立的模块
- 易于维护和升级
- 可以单独测试和优化
可扩展性
- 可以轻松添加新的分析师或研究员角色
- 支持添加新的数据源
- 可以扩展决策策略和辩论机制
风险管理
- 多层次的风险控制
- 实时风险评估
- 自动止损机制 (规划中或部分实现)
智能决策与解释性
- 基于多维度分析和多方观点博弈
- 考虑多个市场因素
- 动态调整策略
- 通过 --show-reasoning 和辩论室机制增强决策过程的透明度和可解释性

未来展望

数据源扩展
- 添加更多 A 股数据源 (如财报、公告的结构化数据)
- 接入更多财经数据平台
- 增加社交媒体情绪数据、行业研报等另类数据
- 扩展到港股、美股市场
功能增强
- 添加更多复杂技术指标和量化策略因子
- 实现更完善和自动化的回测系统，支持参数优化
- 支持多股票组合管理和动态调仓
- 增强 LLM 在策略生成、代码解释、市场总结等方面的应用
性能优化
- 提高数据处理效率，优化 Agent 间通信
- 优化决策算法和 LLM 调用效率
- 增加并行处理能力，支持更大规模的分析任务

情感分析功能 (Sentiment Agent)

情感分析代理（Sentiment Agent）是系统中的关键组件之一，负责分析市场新闻和舆论对股票的潜在影响。

功能特点

新闻数据采集
- 自动抓取最新的股票相关新闻
- 支持多个新闻源 (当前主要为新浪财经)
- 实时更新新闻数据 (根据调用频率)
情感分析处理
- 使用先进的 AI 模型 (LLM) 分析新闻情感
- 情感分数范围：-1（极其消极）到 1（极其积极）
- 考虑新闻的重要性和时效性 (隐式或显式)
交易信号生成
- 基于情感分析结果生成交易信号
- 包含信号类型（看涨/看跌/中性）
- 提供置信度评估
- 附带详细的分析理由 (可能由 LLM 生成摘要)

情感分数说明

1.0: 极其积极（重大利好消息、超预期业绩、行业政策支持）
0.5 到 0.9: 积极（业绩增长、新项目落地、获得订单）
0.1 到 0.4: 轻微积极（小额合同签订、日常经营正常）
0.0: 中性（日常公告、人事变动、无重大影响的新闻）
-0.1 到 -0.4: 轻微消极（小额诉讼、非核心业务亏损）
-0.5 到 -0.9: 消极（业绩下滑、重要客户流失、行业政策收紧）
-1.0: 极其消极（重大违规、核心业务严重亏损、被监管处罚）

📊 结果展示 (Example Image)

🙏 致谢 (Acknowledgements)

本项目修改自 ai-hedge-fund。我们衷心感谢原作者的出色工作和启发。原项目为我们针对 A 股市场的适配和改进提供了坚实的基础。

📜 许可证 (License)

本项目使用双重许可证：

This project is dual-licensed:

原始代码 - MIT 许可证 / Original Code - MIT License

原始代码（来自 ai-hedge-fund）采用 MIT 许可证。
允许商业和非商业使用、修改和分发。

修改和新增代码 - GNU GPL v3 with Non-Commercial Clause

由 24mlight 创建的所有修改和新增代码采用 GNU General Public License v3 (GPL v3)，并附加非商业条款。
允许非商业使用、修改和分发，需提供源代码。
严格禁止任何商业用途（如商业产品、服务、销售或获取商业利益）。
必须保留原始版权声明和许可证声明。
衍生作品必须以相同许可证（GPL v3 with Non-Commercial Clause）分发。

详细信息请参阅 LICENSE 文件。

Name		Name	Last commit message	Last commit date
Latest commit History 106 Commits
backend		backend
src		src
.env.example		.env.example
.gitignore		.gitignore
LICENSE		LICENSE
README.md		README.md
poetry.lock		poetry.lock
pyproject.toml		pyproject.toml
run_with_backend.py		run_with_backend.py

License

24mlight/A_Share_investment_Agent

Folders and files

Latest commit

History

Repository files navigation