# A_Share_investment_Agent-DeepSeek **Repository Path**: shenxiaoming77/a_-share_investment_-agent-deep-seek ## Basic Information - **Project Name**: A_Share_investment_Agent-DeepSeek - **Description**: 基于人工智能的投资系统概念验证项目 - **Primary Language**: Unknown - **License**: MIT - **Default Branch**: main - **Homepage**: None - **GVP Project**: No ## Statistics - **Stars**: 61 - **Forks**: 21 - **Created**: 2025-02-10 - **Last Updated**: 2025-09-04 ## Categories & Tags **Categories**: stocks **Tags**: None ## README # AI 投资系统 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。 ## 系统组成 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 ![Screenshot 2024-12-27 at 5 49 56 PM](https://github.com/user-attachments/assets/c281b8c3-d8e6-431e-a05e-d309d306e967) 注意：系统仅模拟交易决策，不进行实际交易。 ## 免责声明 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。 ## 目录 - [安装](#安装) - [使用](#使用) - [运行对冲基金](#运行对冲基金) - [运行回测](#运行回测) - [项目结构](#项目结构) - [贡献指南](#贡献指南) - [许可证](#许可证) ## 安装 1. 克隆仓库： ```bash git clone https://github.com/zivmryang/A_Share_investment_Agent-DeepSeek-.git cd A_Share_investent_Agent ``` 2. 安装 Poetry（如果尚未安装）： ```bash curl -sSL https://install.python-poetry.org | python3 - ``` 3. 安装依赖： ```bash poetry install ``` 4. 设置环境变量： ```bash # 创建.env文件用于存储API密钥 cp .env.example .env # 从 https://platform.deepseek.com/ 获取DeepSeek API密钥 export DEEP_SEEK_API_KEY='your-deepseek-api-key-here' export DEEP_SEEK_MODEL='deepseek-chat' ``` ## DeepSeek API 申请指南 1. 访问 [DeepSeek 平台](https://platform.deepseek.com/) 2. 注册或登录您的账户 3. 进入 API Keys 页面 4. 点击 "Create new API key" 按钮 5. 复制生成的 API key 6. 将 API key 填入 .env 文件中的 DEEP_SEEK_API_KEY 变量 ## 使用说明 ### 运行对冲基金 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： 1. **基本运行** ```bash 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） 2. **显示分析推理过程** ```bash 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） 3. **自定义新闻分析数量和具体日期的投资建议** ```bash 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 4. **回测功能** ```bash 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） ### 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。 **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 ``` ai-hedge-fund/ ├── src/ # 源代码目录 │ ├── agents/ # agent定义和工作流 │ │ ├── fundamentals.py # 基本面分析Agent │ │ ├── market_data.py # 市场数据分析Agent │ │ ├── portfolio_manager.py # 投资组合管理Agent │ │ ├── risk_manager.py # 风险管理Agent │ │ ├── sentiment.py # 情绪分析Agent │ │ ├── state.py # Agent状态管理 │ │ ├── technicals.py # 技术分析Agent │ │ └── valuation.py # 估值分析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 ``` ## 贡献指南 欢迎贡献代码！请按照以下步骤进行： 1. Fork 本仓库 2. 创建特性分支 (`git checkout -b feature/AmazingFeature`) 3. 提交更改 (`git commit -m 'Add some AmazingFeature'`) 4. 推送到分支 (`git push origin feature/AmazingFeature`) 5. 创建 Pull Request ## 许可证信息 本项目采用 MIT 开源许可证，具体条款请参阅项目根目录下的 LICENSE 文件。 主要条款包括： - 允许自由使用、复制、修改、合并、出版发行、散布、再授权及销售软件及其副本 - 允许修改源代码，但必须在所有副本中包含版权声明和许可声明 - 软件按"原样"提供，不提供任何形式的担保 ## 致谢与参考项目 本项目基于以下开源项目进行修改和扩展，特此致谢： 1. [ai-hedge-fund](https://github.com/virattt/ai-hedge-fund.git) - 提供了基础的AI投资系统框架 - 实现了核心的agent协作机制 - 包含完整的回测系统实现 2. [24mlight/A_Share_investment_Agent](https://github.com/24mlight/A_Share_investment_Agent.git) - 提供了A股市场适配方案 - 实现了akshare数据接口集成 - 包含中文文档和本地化支持 我们衷心感谢原作者的出色工作和启发，这些项目为我们针对A股市场的适配和改进提供了坚实的基础。 ## 项目详细说明 ### 系统架构设计 本项目采用模块化的多Agent架构，每个Agent都有明确的职责分工。系统架构图如下： ``` 市场数据分析 → [技术/基本面/情绪/估值分析] → 风险管理 → 投资组合管理 → 交易决策 ``` #### 各Agent功能说明 1. **市场数据分析Agent** - 系统入口，负责数据采集和预处理 - 通过akshare API获取A股市场数据 - 数据来源包括： - 东方财富 - 新浪财经 - 同花顺 2. **技术分析Agent** - 分析以下技术指标： - 价格趋势 - 成交量 - 动量指标 - 生成技术分析交易信号 - 关注短期市场走势 3. **基本面分析Agent** - 分析公司财务指标： - 盈利能力 - 成长性 - 财务健康状况 - 评估公司长期发展潜力 - 生成基本面交易信号 4. **情绪分析Agent** - 分析市场新闻和舆论 - 评估市场情绪 - 生成情绪交易信号 - 支持多数据源： - 新浪财经 - 东方财富 - 雪球 5. **估值分析Agent** - 进行公司估值分析 - 评估股票内在价值 - 主要估值方法： - DCF模型 - 相对估值法 - 市场比较法 6. **风险管理Agent** - 整合各Agent信号 - 评估潜在风险 - 设置风险控制参数： - 最大持仓限制 - 止损止盈水平 - 交易规模限制 7. **投资组合管理Agent** - 最终决策者 - 综合考虑： - 各Agent信号 - 风险因素 - 投资组合状态 - 生成交易决策： - 买入 - 卖出 - 持有 ### 数据处理流程 #### 数据类型说明 1. **市场数据** ```python { "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** ```python { # 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** ```python { "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. **交易信号数据** ```python { "action": str, # 交易动作：买入/卖出/持有 "quantity": int, # 交易数量 "confidence": float, # 置信度 (0-1) "agent_signals": [ # 各Agent信号 { "agent": str, # Agent名称 "signal": str, # 信号类型：看涨/看跌/中性 "confidence": float # 置信度 (0-1) } ], "reasoning": str # 决策理由 } ``` #### 数据处理流程 1. **数据采集** - 通过akshare API获取以下数据： - 实时行情数据 - 历史行情数据 - 财务指标数据 - 财务报表数据 - 通过新浪财经API获取新闻数据 - 数据标准化处理 2. **数据分析** - 技术分析： - 计算技术指标 - 分析价格模式 - 生成交易信号 - 基本面分析： - 分析财务报表 - 评估公司基本面 - 生成交易信号 - 情绪分析： - 分析市场新闻 - 评估市场情绪 - 生成交易信号 - 估值分析： - 计算估值指标 - 进行DCF估值 - 生成交易信号 3. **风险管理** - 评估市场风险 - 计算头寸规模 - 设置止损止盈 - 控制投资组合风险 4. **投资决策** - 综合各Agent信号 - 评估市场状况 - 考虑投资组合状态 - 生成最终交易决策 5. **数据存储** - 情绪分析结果缓存 - 新闻数据存储 - 日志文件记录 - API调用记录 6. **系统监控** - API调用监控 - Agent分析追踪 - 决策过程记录 - 回测结果评估 ### Agent协作机制 #### 信息共享 - 所有Agent共享同一个状态对象 - 通过消息传递机制进行通信 - 每个Agent都可以访问必要的历史数据 #### 决策权重 投资组合管理Agent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 #### 系统特点 1. **模块化设计** - 每个Agent都是独立的模块 - 易于维护和升级 - 可以单独测试和优化 2. **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 3. **风险管理** - 多层次的风险控制 - 实时风险评估 - 自动止损机制 4. **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 #### 未来展望 1. **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 2. **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 3. **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 ### 情感分析功能 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 - 实时更新新闻数据 2. **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 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） - 提供置信度评估 - 附带详细的分析理由 #### 情感分数说明 | 分数范围 | 情感等级 | 典型场景 | |----------|----------|----------| | 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 ![alt text](image.png)