这个系统目前是只支持A股的哈。
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。本项目仅用于教育目的，不适用于实际交易或投资。
系统由以下几个协同工作的 agent 组成：
- Market Data Analyst - 负责收集和预处理市场数据
- Valuation Agent - 计算股票内在价值并生成交易信号
- Sentiment Agent - 分析市场情绪并生成交易信号
- Fundamentals Agent - 分析基本面数据并生成交易信号
- Technical Analyst - 分析技术指标并生成交易信号
- Risk Manager - 计算风险指标并设置仓位限制
- Portfolio Manager - 制定最终交易决策并生成订单
注意：系统仅模拟交易决策，不进行实际交易。
本项目仅用于教育和研究目的。
- 不适用于实际交易或投资
- 不提供任何保证
- 过往业绩不代表未来表现
- 创建者不承担任何财务损失责任
- 投资决策请咨询专业理财顾问
使用本软件即表示您同意仅将其用于学习目的。
Clone the repository:
git clone https://github.com/24mlight/A_Share_investent_Agent.git
cd A_Share_investent_Agent- Install Poetry (if not already installed):
curl -sSL https://install.python-poetry.org | python3 -- Install dependencies:
poetry install- Set up your environment variables:
# Create .env file for your API keys
cp .env.example .env
# Get your Gemini API key from https://aistudio.google.com/
export GEMINI_API_KEY='your-gemini-api-key-here'
export GEMINI_MODEL='gemini-1.5-flash'系统支持多种运行方式，可以根据需要组合使用不同的参数：
- 基本运行
poetry run python src/main.py --ticker 301155这将使用默认参数运行系统，包括：
- 默认分析 5 条新闻（num_of_news=5）
- 不显示详细分析过程（show_reasoning=False）
- 使用默认的初始资金（initial_capital=100,000）
- 显示分析推理过程
poetry run python src/main.py --ticker 301155 --show-reasoning这将显示每个智能体（Market Data Agent、Technical Analyst、Fundamentals Agent、Sentiment Agent、Risk Manager、Portfolio Manager）的分析过程和推理结果。
这允许你设置：
- initial_capital: 初始现金金额（可选，默认为 100,000）
- 自定义新闻分析数量和具体日期的投资建议
poetry run python src/main.py --ticker 301157 --show-reasoning --end-date 2024-12-11 --num-of-news 20这将：
- 分析指定日期范围内最近的 20 条新闻进行情绪分析
- start-date 和 end-date 格式为 YYYY-MM-DD
- 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）
--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）
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。
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..."
}
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
- 文件名格式：
-
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
- 文件名格式：
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。
ai-hedge-fund/
├── src/ # 源代码目录
│ ├── agents/ # agent定义和工作流
│ │ ├── fundamentals.py # Fundamentals Agent
│ │ ├── market_data.py # Market Data Agent
│ │ ├── portfolio_manager.py # Portfolio Manager
│ │ ├── risk_manager.py # Risk Manager
│ │ ├── sentiment.py # Sentiment Agent
│ │ ├── state.py # Agent状态管理
│ │ ├── technicals.py # Technical Analyst
│ │ └── valuation.py # Valuation Agent
│ ├── data/ # 数据存储目录
│ │ ├── sentiment_cache.json # 情绪分析缓存
│ │ └── stock_news/ # 股票新闻数据
│ ├── tools/ # 工具和功能模块
│ │ ├── api.py # API接口和数据获取
│ │ ├── data_analyzer.py # 数据分析工具
│ │ ├── news_crawler.py # 新闻爬取工具
│ │ ├── openrouter_config.py # OpenRouter配置
│ │ └── test_*.py # 测试文件
│ ├── utils/ # 通用工具函数
│ ├── backtester.py # 回测系统
│ └── main.py # 主程序入口
├── logs/ # 日志文件目录
│ ├── api_calls_*.log # API调用日志
│ └── backtest_*.log # 回测结果日志
├── .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
└── README.md # 项目文档
- Fork 本仓库
- 创建特性分支
- 提交更改
- 推送到分支
- 创建 Pull Request
本项目基于 MIT 许可证 - 详见 LICENSE 文件。
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。
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] → Risk Manager → Portfolio Manager → Trading Decision
-
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
-
Risk Manager
- 整合所有 agent 的交易信号
- 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
-
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) "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 }
-
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）
- 股票实时行情（
- 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
- Market Data Agent 通过 akshare API 获取实时市场数据：
-
分析阶段
-
Technical Analyst：
- 计算技术指标（动量、趋势、波动率等）
- 分析价格模式和交易信号
- 生成技术分析评分和建议
-
Fundamentals Analyst：
- 分析财务报表数据
- 评估公司基本面状况
- 生成基本面分析评分
-
Sentiment Analyst：
- 分析最新的市场新闻
- 使用 AI 模型评估新闻情绪
- 生成市场情绪评分
-
Valuation Analyst：
- 计算估值指标
- 进行 DCF 估值分析
- 评估股票的内在价值
-
-
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
-
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
- 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
- 情绪分析结果缓存在
-
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
- 系统决策过程透明可查
- 回测结果提供性能评估
-
信息共享
- 所有代理共享同一个状态对象（AgentState）
- 通过消息传递机制进行通信
- 每个代理都可以访问必要的历史数据
-
决策权重 Portfolio Manager 在做决策时考虑不同信号的权重：
- 估值分析：35%
- 基本面分析：30%
- 技术分析：25%
- 情绪分析：10%
-
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
-
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
- 支持添加新的数据源
- 可以扩展决策策略
-
风险管理
- 多层次的风险控制
- 实时风险评估
- 自动止损机制
-
智能决策
- 基于多维度分析
- 考虑多个市场因素
- 动态调整策略
-
数据源扩展
- 添加更多 A 股数据源
- 接入更多财经数据平台
- 增加社交媒体情绪数据
- 扩展到港股、美股市场
-
功能增强
- 添加更多技术指标
- 实现自动化回测
- 支持多股票组合管理
-
性能优化
- 提高数据处理效率
- 优化决策算法
- 增加并行处理能力
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。
-
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
- 实时更新新闻数据
-
情感分析处理
- 使用先进的 AI 模型分析新闻情感
- 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
-
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）
- 提供置信度评估
- 附带详细的分析理由
- 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）
