多智能体个人投资助理

项目简介

本仓库提供一个面向 A 股日线级别的多智能体个人投资助理原型，覆盖数据采集、特征抽取、策略博弈、回测展示和 LLM 解释链路。代码以模块化骨架形式呈现，方便在单机环境下快速搭建端到端的量化研究和可视化决策流程。

架构总览

• 数据与存储层：app/ingest 封装 TuShare/RSS 拉数与限频处理，app/data/schema.py 初始化 SQLite 表结构，所有模块通过 app/utils/db.py 的 db_session 访问 app/data/llm_quant.db，数据抽象层由 app/utils/data_access.py 的 DataBroker 统一提供字段查询与时间序列切片。
• 工具与配置层：app/utils 聚合配置、日志、交易日历及 provider 管理，app/utils/config.py 定义 LLM/部门/代理权重等全局设置。
• 特征与策略层：app/features 负责信号构建（当前为占位实现），app/agents 实现六类规则型代理与部门级 LLM 协同，app/backtest/engine.py 通过 DataBroker 装配特征/上下文后运行多智能体博弈并将结果写入 agent_utils。
• LLM 与协作层：app/llm 提供统一的模型调用与 Prompt 构建，支持 single/majority/leader 策略，部门输出再与规则代理共同决策。
• 可视化层：app/ui/streamlit_app.py 提供今日计划、回测、设置、自检四大页签，实时读取 agent_utils、run_log 追踪决策链路。

经典模块划分仍保留在文末《实施步骤》中，便于对照逐项推进。

智能体策略速览

• 动量 (A_mom)：基于 mom_20/mom_60 的 Sigmoid 强度判定买卖梯度。
• 价值 (A_val)：组合 PE/PB/ROE 分位，低估值与高质量越倾向买入。
• 新闻 (A_news)：按新闻热度与情绪正负分配买卖权重，热度低时偏好持有。
• 流动性 (A_liq)：衡量 liquidity_score 与交易成本惩罚，约束加仓节奏。
• 宏观 (A_macro)：关注行业热度与相对强弱，多头动能越强，则买入级别越高。
• 风险 (A_risk)：根据 risk_penalty 调整信心，并在停牌/涨停/仓位限制场景下行使否决权。

部门级智能体通过 DepartmentManager → DepartmentAgent → department_prompt() 的链路向 LLM 请求 JSON 化决策（动作、置信度、摘要、信号、风险），输出在 app/agents/game.py 中与规则代理共同参与纳什谈判或加权投票。

当前瓶颈

• 数据获取：BacktestEngine.load_market_data() 仍为空实现，规则型代理依赖外部写入的 AgentContext.features，缺乏统一的取数协议。
• 角色提示：部门 description 尚未注入 Prompt，代理职责依旧“写死”在 Python 逻辑中。
• 过程记录：缺少对“请求了哪些数据、执行了哪些 SQL、LLM 收到什么上下文”的显式追踪，不利于复盘。

提示词驱动的改造方向

1. 配置声明角色：在 config.json/DepartmentSettings 中补充 description 与 data_scope，department_prompt() 拼接角色指令，实现职责以 Prompt 管理而非硬编码。
2. 统一数据层：新增 DataBroker（或同类工具）封装常用查询，代理与部门通过声明式 JSON 请求所需表/字段/窗口，由服务端执行并返回特征。
3. 函数式工具调用：通过 DeepSeek/OpenAI 的 function calling 暴露 fetch_data 工具，LLM 只需声明所需表（如 daily、daily_basic）及窗口，系统用 DataBroker 拉取整行数据、回传结果，形成“请求→取数→复议”闭环。
4. 审计与前端联动：把角色提示、数据请求与执行摘要写入 agent_utils 附加字段，使 Streamlit 能完整呈现“角色 → 请求 → 决策”的链条。

目前部门 LLM 通过 function calling 暴露的 fetch_data 工具触发追加查询：模型只需按 schema 声明 daily / daily_basic 等表名与窗口，系统使用 DataBroker 一次性返回指定交易日的全部列，再带着查询结果进入下一轮提示，从而形成闭环。

上述调整可在单个部门先行做 PoC，验证闭环能力后再推广至全部角色。

核心技术原理

• 多智能体博弈：通过 app/agents 定义六类风格化代理，利用纳什谈判与加权投票在 app/agents/game.py 中聚合交易动作与信心水平。
• 数据覆盖自检：app/ingest/tushare.py 封装 TuShare 拉取、增量更新与覆盖统计，app/ingest/checker.py 提供强制补数与窗口化覆盖报告。
• 事件驱动回测：app/backtest/engine.py 构建日频回测循环，将代理决策与投资组合状态解耦，便于扩展成交撮合与绩效统计。
• 可视化与解释：app/ui/streamlit_app.py 提供四大页签（今日计划、回测与复盘、数据与设置、自检测试），结合 Plotly 图形展示和 app/llm 提示卡片生成器，支撑人机协作分析。
• 统一日志与持久化：SQLite 统一存储行情、回测与日志，配合 DatabaseLogHandler 在 UI/抓数流程中输出结构化运行轨迹，支持快速追踪与复盘。
• 跨市场数据扩展：app/ingest/tushare.py 追加指数、ETF/公募基金、期货、外汇、港股与美股的增量拉取逻辑，确保多资产因子与宏观代理所需的行情基础数据齐备。
• 部门化多模型协作：app/agents/departments.py 封装部门级 LLM 调度，app/llm/client.py 支持 single/majority/leader 策略，部门结论在 app/agents/game.py 与六类基础代理共同博弈，并持久化至 agent_utils 供 UI 展示。
• LLM Provider 管理：app/utils/config.py 集中维护供应商的 URL、API Key、可用模型及默认参数，Streamlit UI 可视化配置，全局与部门直接在 Provider 基础上设置模型、温度与 Prompt。

LLM + 多智能体最佳实践

• 强化结构化特征：除 A 股行情外，引入资金流、因子、宏观等数据，为六类代理提供更丰富上下文。
• 场景化 Prompt：在 app/llm 中注入代理贡献、宏观状态和风险事件，让 LLM 输出的策略解释与信号一致。
• 闭环反馈机制：将回测或实盘的真实收益、成交等结果写回 SQLite，用于调整代理权重与 Prompt 语料。
• 多层日志监控：保留代理评分、决策信心、LLM 提示与 UI 操作日志，帮助定位“谁做的决策、为何失败”。
• 人机协同流程：在 UI 呈现代理分歧与 LLM 风险提示，分析师可调权、重跑或复核，实现人在环路的策略流程。

环境依赖与安装

建议使用 Python 3.10+，并在虚拟环境中安装依赖。

# 1. 创建并激活 Conda 环境
conda create -n llm-quant python=3.11 -y
conda activate llm-quant

# 2. 安装项目依赖
pip install -r requirements.txt

# 3. 设置 TuShare Token
export TUSHARE_TOKEN="<your-token>"

requirements.txt 当前涵盖运行框架所需的核心三方库：

• Pandas：数据表结构与指标处理
• Streamlit：交互式前端
• Plotly：行情与指标可视化
• TuShare：行情与基础面数据源
• Requests：统一访问 Ollama / OpenAI 兼容 API

LLM 配置与测试

• 通过 Provider 管理供应商连接参数（Base URL、API Key、默认温度/超时/Prompt 模板），并支持在界面内一键调用 client.models.list() 拉取可用模型列表，便于扩展本地 Ollama 或各类云端服务（DeepSeek、文心一言、OpenAI 等）。
• 全局与部门配置直接选择 Provider，并根据需要覆盖模型、温度、Prompt 模板、投票策略；保存后写入 app/data/config.json，下次启动自动加载。
• Streamlit “数据与设置” 页提供 Provider/全局/部门三栏编辑界面，保存后即时生效，并通过 llm_config_snapshot() 输出脱敏检查信息。
• 支持使用环境变量注入敏感信息：TUSHARE_TOKEN、LLM_API_KEY。

快速开始

# 启动交互界面（内含数据库初始化、开机检查、样例回测入口）
streamlit run app/ui/streamlit_app.py

Streamlit 自检测试 页签提供：

• 数据库初始化快捷按钮；
• TuShare 小范围拉取测试；
• 一键开机检查（可自动补数并展示覆盖摘要）；
• 股票行情可视化（自动加载近段时间价格、成交量，并展示核心指标）。
• 开机检查带进度指示与详细日志，便于排查 TuShare 拉取问题。

回测与复盘 页签提供快速回测表单，可调整时间区间、股票池与参数并即时查看回测输出。

下一步

1. 在 app/features 和 app/backtest 中完善信号计算、事件驱动撮合与绩效指标输出。
2. 丰富 DepartmentContext（行情快照、风险指标），让部门评估拥有更完整的上下文。
3. 使用轻量情感分析与热度计算填充 news、heat_daily 与热点指数。
4. 在 Streamlit 今日计划页增加“重新评估”与日志追踪能力，串联实时调度链路。

License

本项目采用定制的 “LLM Quant Framework License v1.0”。个人使用、修改与分发需保留出处，任何商业用途须事先与版权方协商并签署付费协议。详情参见仓库根目录的 LICENSE 文件。

多智能体 LLM 投资流程

• 部门化结构：动量、价值、新闻、流动性、宏观、风险等代理视作独立业务部门，利用项目现有的数据/特征处理流程向每个部门提供上下文。
• 多 LLM 协作：每个部门内部可配置多家 LLM 提供商（如 DeepSeek、OpenAI、文心等）作为智能体助手，分别生成分析意见和风险提示；可通过多数投票、仲裁等策略确定部门结论。
• 部门输出：统一返回部门行动（买入/卖出/持有）、信心水平以及核心理由 (context + LLM 摘要)，当前实现会将摘要、风险提示与票权写入 agent_utils。
• 跨部门协调：沿用 app/agents/game.py 的纳什谈判/投票结构，将各部门的结论与六类基础代理共同建模，必要时触发冲突检测并标记复核。
• 日志与可视化：Streamlit 今日计划页读取 agent_utils 展示部门意见、投票细节与全局行动，可快速核查部门分歧与置信度。

实施步骤

1. 配置扩展 (app/utils/config.py + config.json) ✅

   • 引入 llm_providers 集中管理供应商参数，全局与部门直接绑定 Provider 并自定义模型/温度/Prompt，Provider 页面提供模型列表自动获取；Streamlit 提供可视化维护表单。

2. 部门管控器 ✅

   • app/agents/departments.py 提供 DepartmentAgent/DepartmentManager，封装 Prompt 构建、多模型协商及异常回退。

3. 集成决策链 ✅

   • app/agents/game.py 将部门评分嵌入纳什谈判/加权投票，并对冲突设置复核标记；app/backtest/engine.py 将结果落库。

4. UI 与日志（进行中）

   • 今日计划页展示部门意见、票权与全局策略，后续补充一键重评估、日志钻取。

5. 测试与验证（待补充）

   • 需完善部门上下文构造与多模型调用的单元/集成测试，结合回测指标对比多 LLM 策略收益差异。