🤖 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。

系统架构

新版本的架构做出了以下改进：

1. 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
2. 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
3. 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。

最新功能：

2025.11.08 数据缓存层

• 新增 data/akshare_cache.db SQLite 缓存，持久化 AkShare 输出的实时行情 / 财务指标 / 三大报表 / 日线行情 / 新闻数据；所有表的列名与 AkShare 保持一致，并额外记录 缓存时间。
• src/tools/akshare_cache.py 提供统一的 TTL 策略、自动建表/补列/去重逻辑，并在请求伊始优先命中缓存。
• 默认 TTL：实时行情 10 分钟、财务指标 24 小时、财务报表 7 天、新闻 2 小时，历史日线数据长期保存；可在调用处覆盖。
• 相比直接命中 AkShare API，新缓存层显著降低 RemoteDisconnected / ProxyError 等异常，避免新闻抓取反复触发回退逻辑。

2025.06.22 新闻搜索功能升级

我们对新闻获取系统进行了重大升级，显著提升了新闻数据的质量和获取效率：

1. 智能搜索引擎：集成了先进的搜索功能，能够更精准地获取相关财经新闻
2. 多源新闻整合：支持从多个主流财经网站获取新闻，包括新浪财经、网易财经、东方财富等
3. 智能缓存系统：
   • 增量缓存：当请求更多新闻时，系统会智能地利用已有缓存，只获取差额部分
   • 去重机制：基于新闻标题自动去重，避免重复内容
   • 时效性管理：自动检查缓存有效性，确保数据时效性
   • 缓存统计：详细记录缓存使用情况，包括原缓存数量、新获取数量等
4. 优化的查询策略：
   • 针对 A 股市场特点优化搜索关键词
   • 支持时间范围限制，可获取特定日期前的新闻
   • 智能过滤无关内容，提高新闻质量

2025.04.27 宏观分析师

2025.03.27 辩论室智能增强

我们最新升级了辩论室(Debate Room)模块的决策机制：

1. LLM 第三方分析：引入大型语言模型作为独立的第三方分析师，对多空观点进行客观评估
2. 混合置信度计算：将传统的多空置信度差异与 LLM 评分进行加权融合，形成更全面的决策依据
3. 增强的辩论机制：系统现在能够自动汇总所有研究员的观点，生成结构化分析，并整合进最终决策

这一改进使决策过程更加平衡客观，特别适合在市场信息复杂、多方观点存在分歧的情况下提供更可靠的投资建议。未来我们将持续优化这一机制，进一步提升决策质量。

🛠️ 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

方式 A（推荐）：使用 uv 安装与运行

本项目已支持 uv（更快的依赖解析/安装）。如果你已经安装了 uv，直接在项目根目录执行：

uv sync

如需安装开发依赖（pytest/black/isort/flake8）：

uv sync --group dev

运行 workflow：

uv run python src/main.py --ticker 000737 --show-reasoning

如果遇到下载超时（Windows 上偶发），可临时提高超时：

$env:UV_HTTP_TIMEOUT="300"
uv sync

方式 B：使用 Poetry 安装与运行（可选/兼容）

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

# AkShare 代理轮询配置（可选）
# AKSHARE_PROXY_LIST 支持用逗号或分号分隔，加 "direct" 表示尝试直连。
# 示例：AKSHARE_PROXY_LIST=http://user:pass@proxy1:8080,http://user:pass@proxy2:8080,direct
AKSHARE_PROXY_LIST=direct
AKSHARE_PROXY_MAX_ATTEMPTS=3
AKSHARE_PROXY_BASE_DELAY=1
AKSHARE_PROXY_MAX_DELAY=15
AKSHARE_PROXY_JITTER=0.5
AKSHARE_PROXY_ALLOW_DIRECT=true

AkShare 代理轮询配置（可选）

例如：AKSHARE_PROXY_LIST=http://user:pass@proxy1:8080,http://user:pass@proxy2:8080,direct

AKSHARE_PROXY_LIST= AKSHARE_PROXY_MAX_ATTEMPTS=3 AKSHARE_PROXY_BASE_DELAY=1 AKSHARE_PROXY_MAX_DELAY=15 AKSHARE_PROXY_JITTER=0.5 AKSHARE_PROXY_ALLOW_DIRECT=true

**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:**

```bash
# 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):

uv 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：

uv 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):

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

例如:

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

回测功能

uv 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（以 src/backtester.py 当前实现为准）：

• --ticker: 股票代码（必需，例如 600519）
• --start-date: 回测开始日期（可选，YYYY-MM-DD，默认 90 天前）
• --end-date: 回测结束日期（可选，YYYY-MM-DD，默认昨天）
• --initial-capital: 初始资金（可选，默认 100000）
• --initial-position: 初始持仓股数（可选，默认 0）
• --num-of-news: 每次调用工作流使用的新闻数量（可选，默认 5）
• --decision-interval: 每 N 个交易日运行一次工作流（可选，默认 1）
• --plot: 展示图表（可选，可能阻塞）
• --save-plot: 保存图表到指定路径（可选，默认保存到回测日志目录）

参数说明（命令行分析）

• --ticker: 股票代码（必需）
• --show-reasoning: 显示分析推理过程（可选，默认 false）

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
uv 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：

1. 基本面分析结果
2. 估值分析结果
3. 技术分析结果
4. 情绪分析结果
5. 风险管理评估
6. 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：

1. 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

2. 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)

• 运行 poetry run pytest 可执行完整测试；其中 src/tools/test_gemini.py 依赖外部 LLM API，默认通过 RUN_GEMINI_TESTS=1 显式开启，避免在 CI/离线环境发起真实请求。

我们欢迎各种形式的贡献！

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

☕️ 支持

如果这个项目对你有帮助，欢迎请我喝杯咖啡 ❤️

📖 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

1. 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

2. 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

3. 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

4. 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

5. 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

6. 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。

7. 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。

8. 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

9. 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

1. 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
   }
   

2. 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
   }
   

3. 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
   }
   

4. 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

1. 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

2. 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。

3. 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。

4. 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。

5. 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。

6. 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

7. 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

1. 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。

2. 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。

3. 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

1. 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

2. 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

3. 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

4. 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)

5. 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

1. 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

2. 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

3. 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

1. 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)

2. 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)

3. 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。