A 股投资 Agent 系统

Forked From：https://github.com/24mlight/A_Share_investment_Agent.git

课程项目用版：https://github.com/1517005260/AShareAgent

系统概述

这是一个基于智能体（Agent）的 A 股投资决策系统，通过多个专业智能体协同工作，实现数据收集、分析、决策和风险管理的全流程自动化。系统采用模块化设计，每个智能体负责特定的分析任务，最终由 Portfolio Manager 综合各方分析结果做出交易决策。

本项目还另外嵌入了 MCP 分析模块，详见这个目录

系统组成

系统由以下几个协同工作的智能体组成：

1. Market Data Analyst - 负责收集和预处理市场数据
2. Technical Analyst - 分析技术指标并生成交易信号
3. Fundamentals Analyst - 分析基本面数据并生成交易信号
4. Sentiment Analyst - 分析市场情绪并生成交易信号
5. Valuation Analyst - 计算股票内在价值并生成交易信号
6. AI Model Analyst - 运行 AI 模型预测并生成交易信号
7. Macro Analyst - 分析宏观经济环境并生成交易信号
8. Researcher Bull - 从多头角度分析综合研究结果
9. Researcher Bear - 从空头角度分析综合研究结果
10. Debate Room - 综合多空观点并形成平衡分析
11. Risk Manager - 计算风险指标并设置仓位限制
12. Portfolio Manager - 制定最终交易决策并生成订单

详细的智能体说明请查看 src/agents/README.md。

环境配置

克隆仓库

git clone https://github.com/1517005260/stock-agent.git
cd stock-agent

使用 Conda 配置环境

1. 创建并激活 Conda 环境:

conda create -n stock python=3.10
conda activate stock

2. 安装依赖:

cd stock-agent/
pip install -r requirements.txt
pip install -e .

3. 设置环境变量:

# 创建 .env 文件存放API密钥
cp .env.example .env

直接修改 .env 文件

打开 .env 文件,填入你的 API key:

OPENAI_COMPATIBLE_API_KEY=your_openai_compatible_api_key
OPENAI_COMPATIBLE_BASE_URL=https://api.example.com/v1
OPENAI_COMPATIBLE_MODEL=your_model_name

TUSHARE_TOKEN=your_tushare_api_key

使用方法

运行方式

主程序：

# 基本用法
python -m src.main --ticker 600054 --show-reasoning

# 多资产
python src/main.py --ticker 600519 --tickers "600519,000858,601398" --start-date 2023-01-01 --end-date 2023-12-31

# 指定日期范围
python -m src.main --ticker 600054 --start-date 2023-01-01 --end-date 2023-12-31 --show-reasoning

# 指定初始资金和新闻数量
python -m src.main --ticker 600054 --initial-capital 200000 --num-of-news 10

# 显示详细的总结报告
python -m src.main --ticker 600054 --summary

回测系统

基本回测命令

# 基本回测
python -m src.backtester --ticker 600054

# 指定回测时间范围
python -m src.backtester --ticker 600054 --start-date 2022-01-01 --end-date 2022-12-31

# 自定义初始资金
python -m src.backtester --ticker 600054 --initial-capital 500000

# 显示详细分析过程
python -m src.backtester --ticker 600054 --show-reasoning

# 生成汇总报告
python -m src.backtester --ticker 600054 --summary

回测参数说明

• --ticker: 股票代码（必需）
• --start-date: 回测开始日期（可选，格式为 YYYY-MM-DD，默认为结束日期前一年）
• --end-date: 回测结束日期（可选，格式为 YYYY-MM-DD，默认为昨天）
• --initial-capital: 初始资金（可选，默认为 100,000）
• --initial-position: 初始持仓数量（可选，默认为 0）
• --show-reasoning: 显示每日分析推理过程（可选）
• --summary: 显示回测结束后的汇总报告（可选）

回测输出说明

回测系统会输出以下信息：

1. 每日交易记录：包括日期、价格、交易动作、数量、现金余额、持仓价值等
2. 性能指标：总收益率、年化收益率、夏普比率、最大回撤、波动率等
3. 风险指标：VaR、CVaR、索提诺比率、卡玛比率等
4. 交易统计：交易次数、胜率、盈亏比等

回测测试工具 (test_backtest.py)

概述

test/test_backtest.py 是一个专门用于测试和验证回测框架功能的综合测试工具。它提供了多种测试模式，可以对比 AI Agent 策略与传统基准策略的表现，并生成详细的性能分析报告。

主要功能

1. 基准策略测试：测试多种传统投资策略

   • Buy & Hold（买入持有）
   • Momentum（动量策略）
   • Mean Reversion（均值回归）
   • Moving Average（移动平均）
   • Random Walk（随机游走）

2. AI Agent 策略测试：测试本项目的智能投资代理策略

3. 性能对比分析：生成详细的策略对比报告和排名

4. 统计显著性检验：验证策略间的统计显著性差异

使用方法

基本命令

# 运行完整测试套件（默认3个月）
python test/test_backtest.py

# 指定股票代码
python test/test_backtest.py --ticker 600519

# 快速测试模式（3个月）
python test/test_backtest.py --quick --ticker 600054

# 中等测试模式（8个月）
python test/test_backtest.py --medium --ticker 600054

# 完整测试模式（2年）
python test/test_backtest.py --full --ticker 600054

# 自定义时间范围
python test/test_backtest.py --start-date 2023-01-01 --end-date 2023-12-31 --ticker 600054

专项测试

# 仅测试 AI Agent 策略
python test/test_backtest.py --ai-only --ticker 600054

# 仅测试基准策略
python test/test_backtest.py --baseline-only --ticker 600054

# 运行全面比较分析
python test/test_backtest.py --comparison --ticker 600054

参数说明

• --quick: 快速测试模式（3 个月时间范围）
• --medium: 中等测试模式（8 个月时间范围）
• --full: 完整测试模式（2 年时间范围）
• --start-date: 自定义开始日期（YYYY-MM-DD 格式）
• --end-date: 自定义结束日期（YYYY-MM-DD 格式）
• --ticker: 股票代码（默认为 000001）
• --ai-only: 仅测试 AI Agent 策略
• --baseline-only: 仅测试基准策略
• --comparison: 运行全面比较测试

测试输出

测试工具会生成以下类型的报告：

1. 性能对比表格：

   • 策略排名
   • 总收益率、年化收益率
   • 夏普比率、索提诺比率、卡玛比率
   • 最大回撤、年化波动率
   • 胜率、盈亏比、交易次数
   • VaR 风险指标

2. AI Agent 专项分析：

   • 在所有策略中的排名
   • 与平均水平的比较
   • 综合表现评级（优秀 ⭐⭐⭐ / 良好 ⭐⭐ / 一般 ⭐）

3. 统计显著性检验：

   • 策略间的配对比较
   • Diebold-Mariano 检验
   • 夏普比率检验
   • 统计功效分析

测试策略说明

基准策略

1. Buy & Hold：买入并持有策略，适合长期投资
2. Momentum：基于价格动量的策略，追涨杀跌
3. Mean Reversion：均值回归策略，逢低买入逢高卖出
4. Moving Average：移动平均策略，基于均线交叉信号
5. Random Walk：随机交易策略，用作基准对照

AI Agent 策略

集成了本项目所有智能分析师的综合决策策略，包括：

• 技术分析、基本面分析、情绪分析
• 估值分析、宏观分析、AI 模型预测
• 多空辩论、风险管理、投资组合优化

示例输出

==========================================
回测测试结果汇总
==========================================
测试配置:
  时间范围: 2023-01-01 至 2023-03-31
  测试时长: 89 天
  股票代码: 600054

📊 策略表现排名:
排名 策略名称                   收益率      夏普比率      最大回撤
1    AI_Agent                  15.23%      1.245        8.45%
2    Momentum                  12.67%      0.987        12.34%
3    Buy_Hold                  8.91%       0.756        15.67%
4    Mean_Reversion           6.45%       0.543        18.23%
5    Moving_Average           4.32%       0.321        22.11%
6    Random_Walk              -2.15%      -0.123       25.67%

🎯 AI Agent表现分析:
  📊 排名: 第1名 (共6个策略)
  💰 收益率: 15.23%
  📈 夏普比率: 1.245
  📉 最大回撤: 8.45%
  🔄 交易次数: 23

📊 与平均水平比较:
  收益率差异: +7.57%
  夏普比率差异: +0.621
  回撤差异: -6.89%
  综合评级: 优秀 ⭐⭐⭐

注意事项

1. 测试时间选择：

   • 快速模式适合功能验证
   • 中等模式适合策略调优
   • 完整模式适合正式评估

2. 股票选择：

   • 建议选择流动性好的大盘股进行测试
   • 避免选择停牌或数据不完整的股票

3. 结果解读：

   • 关注风险调整后的收益指标（如夏普比率）
   • 注意最大回撤等风险控制指标
   • 考虑交易频率和实际执行成本

模型训练与评估：

# 训练深度学习模型
python -m model.train.train --ticker 600054 --model dl

# 训练所有模型
python -m model.train.train --ticker 600054 --model all

# 模型评估（划分训练、验证、测试集）
python -m model.train.train --ticker 600054 --model dl --action evaluate

# 自定义数据划分比例
python -m model.train.train --ticker 600054 --model dl --action evaluate --train-ratio 0.8 --val-ratio 0.1 --test-ratio 0.1

数据处理工具：

# 数据分析和技术指标计算
python -m src.tools.data_analyzer --ticker 600054

# 新闻获取测试
python -m src.tools.test_news_crawler

参数说明

• --ticker: 股票代码（必需）
• --tickers: 多个股票代码，逗号分隔（可选，用于多资产分析）
• --show-reasoning: 显示分析推理过程（可选，默认为 false）
• --summary: 显示汇总报告（可选，默认为 false）
• --initial-capital: 初始现金金额（可选，默认为 100,000）
• --initial-position: 初始持仓数量（可选，默认为 0）
• --num-of-news: 情绪分析使用的新闻数量（可选，默认为 5）
• --start-date: 分析开始日期（可选，格式为 YYYY-MM-DD，默认为结束日期前一年）
• --end-date: 分析结束日期（可选，格式为 YYYY-MM-DD，默认为昨天）

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。 如果使用了--summary参数，会在分析结束后显示一个格式化的汇总报告。

示例输出:

--- Finished Workflow Run ID: c94a353c-8d28-486e-b5e7-9e7f92a1b7c4 ---
2025-05-07 19:56:56 - structured_terminal - INFO -
════════════════════════════════════════════════════════════════════════════════
                               股票代码 600054 投资分析报告
════════════════════════════════════════════════════════════════════════════════
                         分析区间: 2023-01-01 至 2025-05-06

╔═══════════════════════════════════ 📈 技术分析分析 ═══════════════════════════════════╗
║ 信号: 📈 bullish
║ 置信度: 34%
║ ├─ signal: bullish
║ ├─ confidence: 0.3369
║ ├─ market_regime: mean_reverting
║ ├─ regime_confidence: 0.5000
║ ├─ strategy_weights:
║   ├─ trend: 0.2000
║   ├─ mean_reversion: 0.4500
║   ├─ momentum: 0.1500
║   ├─ volatility: 0.1500
║   └─ stat_arb: 0.0500
║ └─ strategy_signals:
║   ├─ trend_following:
║     ├─ signal: neutral
║     ├─ confidence: 0.5000
║     └─ metrics:
║       ├─ adx: 17.4486
║       └─ trend_strength: 0.1745
║   ├─ mean_reversion:
║     ├─ signal: neutral
║     ├─ confidence: 0.2400
║     └─ metrics:
║       ├─ z_score: -0.6314
║       ├─ price_vs_bb: 0.2563
║       ├─ rsi_14: 39.8467
║       ├─ rsi_28: 48.0707
║       ├─ avg_deviation: -0.0200
║       ├─ k_percent: 21.0145
║       ├─ d_percent: 17.7575
║       └─ signal_score: 0
║   ├─ momentum:
║     ├─ signal: neutral
║     ├─ confidence: 0.2000
║     └─ metrics:
║       ├─ momentum_1m: -0.0260
║       ├─ momentum_3m: 0.0782
║       ├─ momentum_6m: 0.0280
║       ├─ relative_strength: 0.0983
║       ├─ volume_trend: 0.8827
║       └─ divergence: -0.1343
║   ├─ volatility:
║     ├─ signal: bullish
║     ├─ confidence: 0.7000
║     └─ metrics:
║       ├─ historical_volatility: 0.4362
║       ├─ volatility_regime: 1.5622
║       ├─ volatility_z_score: 0.5622
║       ├─ atr_ratio: 0.0304
║       ├─ garch_vol_trend: -0.2795
║       ├─ garch_forecast_quality: 0.8000
║       └─ garch_results:
║         ├─ model_type: GARCH(1,1)
║         ├─ parameters:
║           ├─ omega: 0.0000
║           ├─ alpha: 0.1484
║           ├─ beta: 0.7570
║           └─ persistence: 0.9054
║         ├─ log_likelihood: 1424.2592
║         ├─ forecast:
║           ├─ 0.01934439715669238
║           ├─ 0.01947384175695497
║           ├─ 0.019590300231429235
║           ├─ 0.01969514513510902
║           ├─ 0.01978959022705738
║           ├─ 0.019874711562961323
║           ├─ 0.019951465249916377
║           ├─ 0.020020702495460313
║           ├─ 0.020083182443127238
║           └─ 0.02013958318202366
║         └─ forecast_annualized:
║           ├─ 0.307082784834438
║           ├─ 0.3091376541595679
║           ├─ 0.31098637512871713
║           ├─ 0.31265073637693247
║           ├─ 0.3141500057320084
║           ├─ 0.315501265048413
║           ├─ 0.3167196920557553
║           ├─ 0.31781879925478945
║           ├─ 0.31881063767551954
║           └─ 0.3197059716488009
║   └─ statistical_arbitrage:
║     ├─ signal: neutral
║     ├─ confidence: 0.5000
║     └─ metrics:
║       ├─ hurst_exponent: 0.00000
║       ├─ skewness: -0.8531
║