mirror of
https://github.com/NoFxAiOS/nofx.git
synced 2026-06-06 05:51:19 +08:00
21a15f98eb
Delete backtest/ engine (19 files), api/backtest.go, store/backtest.go, web backtest components (7 files), API client, types, docs, screenshot. Clean all backtest references from main.go, api/server.go, store/store.go, App.tsx, HeaderBar.tsx, LandingPage.tsx, translations, README and docs.
2522 lines
96 KiB
Markdown
2522 lines
96 KiB
Markdown
# AI-Trader: 自主交易代理实时金融市场基准测试系统深度研究报告
|
||
|
||
**项目名称:** AI-Trader: Benchmarking Autonomous Agents in Real-Time Financial Markets
|
||
**研究机构:** 香港大学数据智能实验室 (HKUDS)
|
||
**论文编号:** arXiv:2512.10971
|
||
**报告日期:** 2025年12月28日
|
||
**报告版本:** v2.0
|
||
|
||
---
|
||
|
||
## 摘要
|
||
|
||
本报告对香港大学数据智能实验室开发的 AI-Trader 系统进行深度技术分析。AI-Trader 是全球首个面向大语言模型(LLM)交易代理的全自动化、实时、数据无污染评测基准平台。本报告从系统架构、核心创新、Agent实现、工具链设计、评测方法论等维度进行全面剖析，旨在为该领域研究人员提供详尽的技术参考。
|
||
|
||
**关键词:** 大语言模型, 自主交易代理, 金融市场, 基准测试, ReAct框架, 工具调用
|
||
|
||
---
|
||
|
||
## 目录
|
||
|
||
1. [研究背景与动机](#1-研究背景与动机)
|
||
2. [系统概述](#2-系统概述)
|
||
3. [核心创新:最小信息范式](#3-核心创新最小信息范式)
|
||
4. [系统架构设计](#4-系统架构设计)
|
||
5. [Agent实现机制](#5-agent实现机制)
|
||
6. [MCP工具链系统](#6-mcp工具链系统)
|
||
7. [多市场适配策略](#7-多市场适配策略)
|
||
8. [评测方法论](#8-评测方法论)
|
||
9. [实验设计与数据集](#9-实验设计与数据集)
|
||
10. [研究发现与分析](#10-研究发现与分析)
|
||
11. [系统局限性讨论](#11-系统局限性讨论)
|
||
12. [未来研究方向](#12-未来研究方向)
|
||
13. [附录](#13-附录)
|
||
|
||
---
|
||
|
||
## 1. 研究背景与动机
|
||
|
||
### 1.1 问题陈述
|
||
|
||
随着大语言模型(Large Language Models, LLMs)在自然语言处理领域取得突破性进展，研究者们开始探索将其应用于金融交易决策。然而，现有评测方法存在以下关键问题:
|
||
|
||
**问题一: 数据污染 (Data Contamination)**
|
||
|
||
现代LLMs的训练语料库通常包含大量历史金融数据。当使用历史数据进行回测时，模型可能已经"见过"测试期间的市场走势，导致评测结果失真。
|
||
|
||
```
|
||
训练数据时间线: ←──────────────────────────────→
|
||
|←── 训练数据 ──→|
|
||
|
||
测试数据时间线: |←── 测试期间 ──→|
|
||
↑
|
||
数据污染风险区域
|
||
```
|
||
|
||
**问题二: 非实时性 (Non-Real-Time)**
|
||
|
||
大多数现有评测基于历史数据回测，无法反映真实市场的动态特性:
|
||
- 订单执行延迟
|
||
- 流动性约束
|
||
- 市场冲击效应
|
||
- 突发事件响应
|
||
|
||
**问题三: 人工干预 (Human Intervention)**
|
||
|
||
传统评测方法中，系统会向模型提供大量预处理数据(技术指标、新闻摘要等)，这种方式:
|
||
- 引入人类偏见
|
||
- 无法评估AI的信息获取能力
|
||
- 难以区分AI能力与人类经验的贡献
|
||
|
||
**问题四: 缺乏标准 (Lack of Standardization)**
|
||
|
||
不同研究使用不同的:
|
||
- 初始资金设置
|
||
- 交易规则
|
||
- 评估指标
|
||
- 数据源
|
||
|
||
导致结果无法直接比较。
|
||
|
||
### 1.2 研究目标
|
||
|
||
AI-Trader项目旨在建立一个:
|
||
|
||
1. **全自动化:** 零人工干预，AI完全自主决策
|
||
2. **实时性:** 真实市场数据流，非历史回测
|
||
3. **无污染:** 严格的时间隔离，防止前视偏差
|
||
4. **标准化:** 统一条件下多模型公平对比
|
||
5. **可复现:** 开源代码，实验可重复验证
|
||
|
||
### 1.3 相关工作
|
||
|
||
| 研究/系统 | 实时性 | 工具调用 | 多步推理 | 多市场 | 开源 |
|
||
|----------|:------:|:-------:|:-------:|:-----:|:----:|
|
||
| FinGPT | ❌ | ❌ | ❌ | ❌ | ✅ |
|
||
| BloombergGPT | ❌ | ❌ | ❌ | ❌ | ❌ |
|
||
| FinRL | ❌ | ❌ | ❌ | ✅ | ✅ |
|
||
| TradingGPT | ❌ | ❌ | ✅ | ❌ | ❌ |
|
||
| **AI-Trader** | ✅ | ✅ | ✅ | ✅ | ✅ |
|
||
|
||
---
|
||
|
||
## 2. 系统概述
|
||
|
||
### 2.1 系统定位
|
||
|
||
AI-Trader 定位为**评测基准平台(Benchmarking Platform)**，而非生产交易系统。其核心价值在于:
|
||
|
||
- 科学评估不同LLM模型的交易能力
|
||
- 发现模型在金融决策中的优劣势
|
||
- 为模型改进提供量化依据
|
||
- 推动AI金融决策研究发展
|
||
|
||
### 2.2 核心资源
|
||
|
||
| 资源类型 | 链接 |
|
||
|---------|------|
|
||
| GitHub仓库 | https://github.com/HKUDS/AI-Trader |
|
||
| 论文全文 | https://arxiv.org/abs/2512.10971 |
|
||
| 实时Dashboard | https://ai4trade.ai |
|
||
| 项目主页 | https://hkuds.github.io/AI-Trader/ |
|
||
|
||
### 2.3 市场覆盖
|
||
|
||
系统支持三大金融市场，覆盖不同交易规则和市场特征:
|
||
|
||
| 市场 | 标的范围 | 初始资金 | 交易频率 | 结算规则 |
|
||
|------|---------|---------|---------|---------|
|
||
| **美股** | NASDAQ-100成分股 | $10,000 USD | 日级/小时级 | T+0 |
|
||
| **A股** | SSE-50成分股 | ¥100,000 CNY | 日级 | T+1 |
|
||
| **加密货币** | BTC, ETH, XRP, SOL等10种 | 50,000 USDT | 小时级 | 24/7 |
|
||
|
||
### 2.4 支持的LLM模型
|
||
|
||
系统已集成以下模型进行评测:
|
||
|
||
| 提供商 | 模型 | 参数规模 | 特点 |
|
||
|-------|------|---------|------|
|
||
| OpenAI | GPT-4o | ~1.8T | 多模态，推理能力强 |
|
||
| OpenAI | GPT-4o-mini | ~70B | 成本优化版本 |
|
||
| Anthropic | Claude-3.5-Sonnet | ~175B | 安全对齐，长上下文 |
|
||
| Google | Gemini-2.0-Flash | ~100B | 快速响应 |
|
||
| DeepSeek | DeepSeek-V3 | 671B | 开源，工具调用优化 |
|
||
| DeepSeek | DeepSeek-R1 | - | 推理增强 |
|
||
| 阿里云 | Qwen-2.5-72B | 72B | 中文优化 |
|
||
| Meta | Llama-3.1-405B | 405B | 开源最大模型 |
|
||
|
||
---
|
||
|
||
## 3. 核心创新:最小信息范式
|
||
|
||
### 3.1 范式定义
|
||
|
||
**最小信息范式(Minimal Information Paradigm)** 是AI-Trader的核心创新。该范式遵循以下原则:
|
||
|
||
> 系统仅向Agent提供完成任务所需的最小上下文信息，让Agent自主决定需要获取什么信息、如何获取、如何验证。
|
||
|
||
### 3.2 设计哲学
|
||
|
||
传统范式与最小信息范式的对比:
|
||
|
||
```
|
||
┌────────────────────────────────────────────────────────────────────┐
|
||
│ 传统范式 │
|
||
├────────────────────────────────────────────────────────────────────┤
|
||
│ │
|
||
│ ┌──────────┐ ┌──────────┐ ┌──────────┐ ┌──────────┐ │
|
||
│ │ 数据源 │ → │ 数据预处理│ → │ AI模型 │ → │ 决策输出 │ │
|
||
│ │ │ │ │ │ │ │ │ │
|
||
│ │ • K线 │ │ • 计算指标│ │ • 分析 │ │ • 买入 │ │
|
||
│ │ • 新闻 │ │ • 提取特征│ │ • 推理 │ │ • 卖出 │ │
|
||
│ │ • 公告 │ │ • 格式化 │ │ │ │ • 持有 │ │
|
||
│ └──────────┘ └──────────┘ └──────────┘ └──────────┘ │
|
||
│ │
|
||
│ 问题: AI被动接收，无法评估其信息获取和验证能力 │
|
||
│ │
|
||
└────────────────────────────────────────────────────────────────────┘
|
||
|
||
┌────────────────────────────────────────────────────────────────────┐
|
||
│ 最小信息范式 │
|
||
├────────────────────────────────────────────────────────────────────┤
|
||
│ │
|
||
│ ┌──────────┐ ┌──────────────────────────────┐ ┌──────────┐ │
|
||
│ │ 最小上下文│ → │ AI Agent │ → │ 决策输出 │ │
|
||
│ │ │ │ │ │ │ │
|
||
│ │ • 日期 │ │ 思考 → 行动 → 观察 → 思考...│ │ • 买入 │ │
|
||
│ │ • 资产表 │ │ ↓ │ │ • 卖出 │ │
|
||
│ │ • 持仓 │ │ 调用工具获取信息 │ │ • 持有 │ │
|
||
│ │ • 工具表 │ │ 验证信息可靠性 │ │ │ │
|
||
│ └──────────┘ └──────────────────────────────┘ └──────────┘ │
|
||
│ │
|
||
│ 优势: 评估AI的完整决策链，包括信息获取、验证、推理能力 │
|
||
│ │
|
||
└────────────────────────────────────────────────────────────────────┘
|
||
```
|
||
|
||
### 3.3 最小上下文内容
|
||
|
||
系统仅提供以下信息作为初始上下文:
|
||
|
||
```python
|
||
minimal_context = {
|
||
"current_date": "2024-12-28", # 当前模拟日期
|
||
"available_assets": ["AAPL", "MSFT", ...], # 可交易资产列表
|
||
"current_positions": { # 当前持仓
|
||
"AAPL": {"quantity": 100, "avg_price": 150.0},
|
||
...
|
||
},
|
||
"available_cash": 5000.0, # 可用现金
|
||
"available_tools": [ # 可用工具列表
|
||
"get_price",
|
||
"search_news",
|
||
"execute_trade",
|
||
"calculate"
|
||
]
|
||
}
|
||
```
|
||
|
||
**明确不提供:**
|
||
- 历史价格序列
|
||
- 预计算的技术指标(MA, RSI, MACD等)
|
||
- 新闻摘要或情感分析
|
||
- 市场分析报告
|
||
- 其他模型的决策
|
||
|
||
### 3.4 范式的理论基础
|
||
|
||
最小信息范式源于以下认知科学和AI研究观点:
|
||
|
||
1. **认知负荷理论(Cognitive Load Theory)**
|
||
- 过多预处理信息可能干扰AI的原始推理能力
|
||
- 让AI自主构建信息结构，更能评估其理解能力
|
||
|
||
2. **具身认知(Embodied Cognition)**
|
||
- 智能体通过与环境交互获取知识
|
||
- 工具调用模拟了这种交互过程
|
||
|
||
3. **元认知评估(Metacognitive Assessment)**
|
||
- 评估AI"知道自己不知道什么"的能力
|
||
- 观察AI如何规划信息获取策略
|
||
|
||
---
|
||
|
||
## 4. 系统架构设计
|
||
|
||
### 4.1 整体架构图
|
||
|
||
```
|
||
┌─────────────────────────────────────────────────────────────────────────┐
|
||
│ AI-Trader System Architecture │
|
||
├─────────────────────────────────────────────────────────────────────────┤
|
||
│ │
|
||
│ ┌─────────────────────────────────────────────────────────────────┐ │
|
||
│ │ Presentation Layer │ │
|
||
│ │ ┌─────────────────┐ ┌─────────────────┐ ┌─────────────────┐ │ │
|
||
│ │ │ Web Dashboard │ │ Leaderboard │ │ Reasoning View │ │ │
|
||
│ │ │ (ai4trade.ai) │ │ │ │ │ │ │
|
||
│ │ └────────┬────────┘ └────────┬────────┘ └────────┬────────┘ │ │
|
||
│ └───────────┼────────────────────┼────────────────────┼───────────┘ │
|
||
│ │ │ │ │
|
||
│ └────────────────────┼────────────────────┘ │
|
||
│ │ │
|
||
│ ▼ │
|
||
│ ┌─────────────────────────────────────────────────────────────────┐ │
|
||
│ │ Agent Orchestration Layer │ │
|
||
│ │ │ │
|
||
│ │ ┌──────────────────────────────────────────────────────────┐ │ │
|
||
│ │ │ Agent Factory │ │ │
|
||
│ │ │ ┌─────────┐ ┌─────────┐ ┌─────────┐ ┌─────────┐ │ │ │
|
||
│ │ │ │US Agent │ │CN Agent │ │Crypto │ │Custom │ │ │ │
|
||
│ │ │ │ │ │ │ │Agent │ │Agent │ │ │ │
|
||
│ │ │ └────┬────┘ └────┬────┘ └────┬────┘ └────┬────┘ │ │ │
|
||
│ │ │ └────────────┼────────────┴────────────┘ │ │ │
|
||
│ │ │ │ │ │ │
|
||
│ │ │ ▼ │ │ │
|
||
│ │ │ ┌──────────────────────────────────────────────────┐ │ │ │
|
||
│ │ │ │ BaseAgent (Core) │ │ │ │
|
||
│ │ │ │ ┌────────────┐ ┌────────────┐ ┌────────────┐ │ │ │ │
|
||
│ │ │ │ │ ReAct Loop │ │Tool Manager│ │State Tracker│ │ │ │ │
|
||
│ │ │ │ └────────────┘ └────────────┘ └────────────┘ │ │ │ │
|
||
│ │ │ └──────────────────────────────────────────────────┘ │ │ │
|
||
│ │ └──────────────────────────────────────────────────────────┘ │ │
|
||
│ └──────────────────────────────────────────────────────────────────┘ │
|
||
│ │ │
|
||
│ ▼ │
|
||
│ ┌─────────────────────────────────────────────────────────────────┐ │
|
||
│ │ MCP Tool Services Layer │ │
|
||
│ │ │ │
|
||
│ │ ┌──────────┐ ┌──────────┐ ┌──────────┐ ┌──────────┐ │ │
|
||
│ │ │tool_trade│ │tool_price│ │tool_search│ │tool_math│ │ │
|
||
│ │ │ :8001 │ │ :8002 │ │ :8003 │ │ :8004 │ │ │
|
||
│ │ │ │ │ │ │ │ │ │ │ │
|
||
│ │ │ 交易执行 │ │ 价格查询 │ │ 信息搜索 │ │ 数学计算 │ │ │
|
||
│ │ └──────────┘ └──────────┘ └──────────┘ └──────────┘ │ │
|
||
│ │ │ │
|
||
│ │ ┌──────────┐ ┌──────────┐ │ │
|
||
│ │ │tool_news │ │tool_crypto│ │ │
|
||
│ │ │ :8005 │ │ :8006 │ │ │
|
||
│ │ │ │ │ │ │ │
|
||
│ │ │ 新闻获取 │ │加密货币 │ │ │
|
||
│ │ └──────────┘ └──────────┘ │ │
|
||
│ └─────────────────────────────────────────────────────────────────┘ │
|
||
│ │ │
|
||
│ ▼ │
|
||
│ ┌─────────────────────────────────────────────────────────────────┐ │
|
||
│ │ Data Infrastructure Layer │ │
|
||
│ │ │ │
|
||
│ │ ┌──────────────┐ ┌──────────────┐ ┌──────────────┐ │ │
|
||
│ │ │Alpha Vantage │ │ Tushare │ │ Local JSONL │ │ │
|
||
│ │ │ │ │ │ │ │ │ │
|
||
│ │ │ • US Stocks │ │ • A-Shares │ │ • Historical │ │ │
|
||
│ │ │ • Crypto │ │ • CN Market │ │ • Cache │ │ │
|
||
│ │ │ • News API │ │ • Holidays │ │ • Replay │ │ │
|
||
│ │ └──────────────┘ └──────────────┘ └──────────────┘ │ │
|
||
│ └─────────────────────────────────────────────────────────────────┘ │
|
||
│ │ │
|
||
│ ▼ │
|
||
│ ┌─────────────────────────────────────────────────────────────────┐ │
|
||
│ │ LLM Provider Layer │ │
|
||
│ │ │
|
||
│ │ ┌────────┐ ┌────────┐ ┌────────┐ ┌────────┐ ┌────────┐ │ │
|
||
│ │ │ GPT-4o │ │Claude-3│ │DeepSeek│ │ Gemini │ │ Qwen │ │ │
|
||
│ │ └────────┘ └────────┘ └────────┘ └────────┘ └────────┘ │ │
|
||
│ │ │ │
|
||
│ │ ┌────────┐ ┌────────┐ ┌────────┐ │ │
|
||
│ │ │Llama-3 │ │ Mixtral│ │ Custom │ │ │
|
||
│ │ └────────┘ └────────┘ └────────┘ │ │
|
||
│ └─────────────────────────────────────────────────────────────────┘ │
|
||
│ │
|
||
└─────────────────────────────────────────────────────────────────────────┘
|
||
```
|
||
|
||
### 4.2 目录结构
|
||
|
||
```
|
||
AI-Trader/
|
||
├── agent/ # Agent实现模块
|
||
│ ├── base_agent/ # 美股Agent
|
||
│ │ ├── base_agent.py # 日级交易Agent
|
||
│ │ └── base_agent_hour.py # 小时级交易Agent
|
||
│ ├── base_agent_astock/ # A股Agent
|
||
│ │ └── base_agent_astock.py # 含T+1规则适配
|
||
│ └── base_agent_crypto/ # 加密货币Agent
|
||
│ └── base_agent_crypto.py # 24/7交易适配
|
||
│
|
||
├── agent_tools/ # MCP工具服务模块
|
||
│ ├── start_mcp_services.py # 服务启动脚本
|
||
│ ├── tool_trade.py # 交易执行服务
|
||
│ ├── tool_get_price_local.py # 价格查询服务(本地)
|
||
│ ├── tool_get_price_av.py # 价格查询服务(Alpha Vantage)
|
||
│ ├── tool_jina_search.py # 信息搜索服务(Jina AI)
|
||
│ ├── tool_math.py # 数学计算服务
|
||
│ ├── tool_alphavantage_news.py # 新闻获取服务
|
||
│ └── tool_crypto_trade.py # 加密货币交易服务
|
||
│
|
||
├── prompts/ # Prompt模板模块
|
||
│ ├── agent_prompt.py # 通用交易Prompt
|
||
│ ├── agent_prompt_astock.py # A股专用Prompt
|
||
│ └── agent_prompt_crypto.py # 加密货币专用Prompt
|
||
│
|
||
├── configs/ # 配置文件模块
|
||
│ ├── gpt4o_config.yaml # GPT-4o配置
|
||
│ ├── claude_config.yaml # Claude配置
|
||
│ ├── deepseek_config.yaml # DeepSeek配置
|
||
│ └── ... # 其他模型配置
|
||
│
|
||
├── data/ # 数据存储模块
|
||
│ ├── us/ # 美股历史数据
|
||
│ │ └── {symbol}_{date}.jsonl
|
||
│ ├── cn/ # A股历史数据
|
||
│ │ └── {symbol}_{date}.jsonl
|
||
│ └── crypto/ # 加密货币历史数据
|
||
│ └── {symbol}_{date}.jsonl
|
||
│
|
||
├── results/ # 结果存储模块
|
||
│ ├── {model}/ # 按模型分组
|
||
│ │ ├── decisions/ # 决策记录
|
||
│ │ ├── reasoning/ # 推理链记录
|
||
│ │ └── metrics/ # 指标统计
|
||
│
|
||
├── scripts/ # 脚本工具
|
||
│ ├── run_benchmark.sh # 运行基准测试
|
||
│ ├── fetch_data.py # 数据获取脚本
|
||
│ └── analyze_results.py # 结果分析脚本
|
||
│
|
||
├── main.py # 单Agent运行入口
|
||
├── main_parallel.py # 多Agent并行运行入口
|
||
├── requirements.txt # Python依赖
|
||
└── README.md # 项目说明
|
||
```
|
||
|
||
### 4.3 技术栈详解
|
||
|
||
| 层级 | 技术 | 版本 | 用途说明 |
|
||
|------|------|------|---------|
|
||
| **AI框架** | LangChain | 0.1.x | Agent编排、消息管理、工具绑定 |
|
||
| **工具协议** | FastMCP | 0.4.x | Model Context Protocol实现 |
|
||
| **LLM接口** | OpenAI SDK | 1.x | 统一API调用接口 |
|
||
| **HTTP服务** | FastAPI | 0.100+ | MCP工具服务 |
|
||
| **数据获取** | Alpha Vantage | - | 美股/加密货币数据 |
|
||
| **数据获取** | Tushare | - | A股数据 |
|
||
| **搜索服务** | Jina AI | - | 网络信息检索 |
|
||
| **数据存储** | JSONL | - | 高效追加写入 |
|
||
| **异步框架** | asyncio | - | 并发执行 |
|
||
| **运行环境** | Python | 3.10+ | 主要开发语言 |
|
||
|
||
### 4.4 数据流图
|
||
|
||
```
|
||
┌────────────────────────────────────────────────────────────────────────┐
|
||
│ 数据流图 │
|
||
├────────────────────────────────────────────────────────────────────────┤
|
||
│ │
|
||
│ 1. 交易会话初始化 │
|
||
│ ┌──────────────┐ │
|
||
│ │ Scheduler │ ─── 触发交易会话 ───→ │ Agent │ │
|
||
│ │ (定时任务) │ └───┬───┘ │
|
||
│ └──────────────┘ │ │
|
||
│ ▼ │
|
||
│ 2. 构建最小上下文 │
|
||
│ ┌──────────────┐ ┌──────────────┐ ┌──────────────┐ │
|
||
│ │ Date/Assets │ + │ Positions │ + │ Tools │ │
|
||
│ └──────────────┘ └──────────────┘ └──────────────┘ │
|
||
│ │ │ │ │
|
||
│ └───────────────────┼───────────────────┘ │
|
||
│ ▼ │
|
||
│ ┌─────────────────┐ │
|
||
│ │ System Prompt │ │
|
||
│ └────────┬────────┘ │
|
||
│ │ │
|
||
│ 3. ReAct循环 (最多10步) │ │
|
||
│ ▼ │
|
||
│ ┌─────────────────────────────────────────────────────────────────┐ │
|
||
│ │ │ │
|
||
│ │ ┌─────────┐ ┌─────────┐ ┌─────────┐ ┌─────────────┐ │ │
|
||
│ │ │ Thought │ → │ Action │ → │Observat.│ → │ Thought... │ │ │
|
||
│ │ │ │ │(Tool │ │(Tool │ │ │ │ │
|
||
│ │ │ "我需要 │ │ Call) │ │ Result) │ │ "价格是... │ │ │
|
||
│ │ │ 查价格" │ │ │ │ │ │ 我应该..." │ │ │
|
||
│ │ └─────────┘ └────┬────┘ └────┬────┘ └─────────────┘ │ │
|
||
│ │ │ ▲ │ │
|
||
│ │ ▼ │ │ │
|
||
│ │ ┌─────────────────────────┐ │ │
|
||
│ │ │ MCP Tool Service │ │ │
|
||
│ │ │ • get_price │ │ │
|
||
│ │ │ • search_news │ │ │
|
||
│ │ │ • execute_trade │ │ │
|
||
│ │ └─────────────────────────┘ │ │
|
||
│ │ │ │
|
||
│ │ 终止条件: Agent输出[STOP]信号 或 达到最大步数 │ │
|
||
│ └─────────────────────────────────────────────────────────────────┘ │
|
||
│ │ │
|
||
│ 4. 结果处理 │ │
|
||
│ ▼ │
|
||
│ ┌──────────────┐ ┌──────────────┐ ┌──────────────┐ │
|
||
│ │ 决策提取 │ → │ 持仓更新 │ → │ 结果存储 │ │
|
||
│ │ │ │ │ │ │ │
|
||
│ │ • 交易指令 │ │ • 执行交易 │ │ • JSONL写入 │ │
|
||
│ │ • 推理链 │ │ • 更新余额 │ │ • 指标计算 │ │
|
||
│ └──────────────┘ └──────────────┘ └──────────────┘ │
|
||
│ │
|
||
└────────────────────────────────────────────────────────────────────────┘
|
||
```
|
||
|
||
---
|
||
|
||
## 5. Agent实现机制
|
||
|
||
### 5.1 BaseAgent类结构
|
||
|
||
```python
|
||
class BaseAgent:
|
||
"""
|
||
基础交易Agent
|
||
|
||
实现了完整的ReAct推理循环，支持工具调用和多步决策。
|
||
|
||
Attributes:
|
||
signature (str): Agent唯一标识符
|
||
basemodel (str): 使用的LLM模型名称
|
||
stock_symbols (List[str]): 可交易资产列表
|
||
mcp_config (dict): MCP服务配置
|
||
max_steps (int): 最大推理步数
|
||
initial_cash (float): 初始资金
|
||
market (str): 市场类型
|
||
verbose (bool): 调试输出开关
|
||
|
||
核心组件:
|
||
llm: LangChain ChatModel实例
|
||
tools: 已绑定的工具列表
|
||
mcp_client: MCP客户端连接
|
||
portfolio: 持仓管理器
|
||
logger: 日志记录器
|
||
"""
|
||
|
||
def __init__(
|
||
self,
|
||
signature: str,
|
||
basemodel: str,
|
||
stock_symbols: List[str] = NASDAQ_100,
|
||
mcp_config: dict = None,
|
||
max_steps: int = 10,
|
||
initial_cash: float = 10000.0,
|
||
market: str = "us",
|
||
verbose: bool = False
|
||
):
|
||
self.signature = signature
|
||
self.basemodel = basemodel
|
||
self.stock_symbols = stock_symbols
|
||
self.max_steps = max_steps
|
||
self.initial_cash = initial_cash
|
||
self.market = market
|
||
self.verbose = verbose
|
||
|
||
# 延迟初始化的组件
|
||
self.llm = None
|
||
self.tools = []
|
||
self.mcp_client = None
|
||
self.portfolio = Portfolio(initial_cash)
|
||
self.logger = setup_logger(signature)
|
||
```
|
||
|
||
### 5.2 初始化流程
|
||
|
||
```python
|
||
async def initialize(self):
|
||
"""
|
||
异步初始化Agent
|
||
|
||
执行步骤:
|
||
1. 建立与MCP服务的连接
|
||
2. 加载可用工具列表
|
||
3. 初始化LLM客户端
|
||
4. 绑定工具到LLM
|
||
"""
|
||
# Step 1: 连接MCP服务
|
||
self.mcp_client = MCPClient()
|
||
await self.mcp_client.connect(self.mcp_config)
|
||
|
||
# Step 2: 加载工具
|
||
self.tools = await self.mcp_client.list_tools()
|
||
self.logger.info(f"Loaded {len(self.tools)} tools: {[t.name for t in self.tools]}")
|
||
|
||
# Step 3: 初始化LLM (根据模型类型选择适配器)
|
||
self.llm = self._create_llm_client()
|
||
|
||
# Step 4: 绑定工具
|
||
self.llm = self.llm.bind_tools(
|
||
self.tools,
|
||
tool_choice="auto" # 让模型自动选择是否调用工具
|
||
)
|
||
|
||
def _create_llm_client(self):
|
||
"""
|
||
创建LLM客户端
|
||
|
||
根据模型名称选择合适的客户端类型:
|
||
- DeepSeek模型使用DeepSeekChatOpenAI (处理格式差异)
|
||
- 其他模型使用标准ChatOpenAI
|
||
"""
|
||
model_lower = self.basemodel.lower()
|
||
|
||
if "deepseek" in model_lower:
|
||
return DeepSeekChatOpenAI(
|
||
model=self.basemodel,
|
||
temperature=0.7,
|
||
api_key=os.environ.get("DEEPSEEK_API_KEY"),
|
||
base_url="https://api.deepseek.com/v1"
|
||
)
|
||
elif "claude" in model_lower:
|
||
return ChatAnthropic(
|
||
model=self.basemodel,
|
||
temperature=0.7,
|
||
api_key=os.environ.get("ANTHROPIC_API_KEY")
|
||
)
|
||
elif "gemini" in model_lower:
|
||
return ChatGoogleGenerativeAI(
|
||
model=self.basemodel,
|
||
temperature=0.7,
|
||
api_key=os.environ.get("GOOGLE_API_KEY")
|
||
)
|
||
else:
|
||
# 默认使用OpenAI兼容接口
|
||
return ChatOpenAI(
|
||
model=self.basemodel,
|
||
temperature=0.7,
|
||
api_key=os.environ.get("OPENAI_API_KEY")
|
||
)
|
||
```
|
||
|
||
### 5.3 System Prompt设计
|
||
|
||
```python
|
||
def _build_system_prompt(self, date: str) -> str:
|
||
"""
|
||
构建系统提示词
|
||
|
||
遵循最小信息范式，只提供必要上下文
|
||
"""
|
||
positions_str = self._format_positions()
|
||
tools_str = self._format_tools()
|
||
|
||
return f"""You are an autonomous trading agent operating in the {self.market} market.
|
||
|
||
## Current Date
|
||
{date}
|
||
|
||
## Your Portfolio
|
||
- Available Cash: ${self.portfolio.cash:.2f}
|
||
- Current Positions:
|
||
{positions_str}
|
||
|
||
## Tradable Assets
|
||
{', '.join(self.stock_symbols)}
|
||
|
||
## Available Tools
|
||
{tools_str}
|
||
|
||
## Trading Rules
|
||
- You operate in {self.market} market
|
||
- Settlement: {'T+0 (can sell same day)' if self.market != 'cn' else 'T+1 (can only sell next day)'}
|
||
- Trading Hours: {'24/7' if self.market == 'crypto' else '9:30-16:00'}
|
||
|
||
## Instructions
|
||
1. Use the available tools to gather information before making decisions
|
||
2. Think step by step about market conditions
|
||
3. Consider risk management in your decisions
|
||
4. Explain your reasoning clearly
|
||
5. When ready to finalize decisions for today, output [STOP]
|
||
|
||
## Important
|
||
- You MUST search for relevant information before making trading decisions
|
||
- Do NOT assume any market information - use tools to verify
|
||
- Consider multiple sources of information
|
||
- Be explicit about your reasoning process"""
|
||
```
|
||
|
||
### 5.4 ReAct推理循环实现
|
||
|
||
```python
|
||
async def run_trading_session(self, date: str) -> TradingSessionResult:
|
||
"""
|
||
执行单日交易会话
|
||
|
||
实现ReAct (Reasoning + Acting) 循环:
|
||
- Thought: 模型思考当前状态
|
||
- Action: 模型选择执行的工具
|
||
- Observation: 工具返回结果
|
||
- (循环直到[STOP]或达到max_steps)
|
||
|
||
Args:
|
||
date: 交易日期 (YYYY-MM-DD格式)
|
||
|
||
Returns:
|
||
TradingSessionResult: 包含决策、推理链、持仓变化的结果对象
|
||
"""
|
||
self.logger.info(f"Starting trading session for {date}")
|
||
|
||
# 1. 构建初始消息
|
||
system_prompt = self._build_system_prompt(date)
|
||
messages = [SystemMessage(content=system_prompt)]
|
||
|
||
# 2. 记录推理链
|
||
reasoning_chain = []
|
||
|
||
# 3. ReAct循环
|
||
for step in range(self.max_steps):
|
||
step_record = {
|
||
"step": step + 1,
|
||
"timestamp": datetime.now().isoformat(),
|
||
"thought": None,
|
||
"action": None,
|
||
"observation": None
|
||
}
|
||
|
||
try:
|
||
# 3.1 调用LLM获取响应
|
||
response = await self._ainvoke_with_retry(messages)
|
||
|
||
# 3.2 记录思考内容
|
||
step_record["thought"] = response.content
|
||
|
||
# 3.3 处理工具调用
|
||
if response.tool_calls:
|
||
tool_results = []
|
||
|
||
for tool_call in response.tool_calls:
|
||
# 记录动作
|
||
step_record["action"] = {
|
||
"tool": tool_call["name"],
|
||
"arguments": tool_call["args"]
|
||
}
|
||
|
||
# 执行工具
|
||
result = await self._execute_tool(tool_call)
|
||
tool_results.append({
|
||
"tool_call_id": tool_call["id"],
|
||
"result": result
|
||
})
|
||
|
||
# 记录观察
|
||
step_record["observation"] = result
|
||
|
||
# 添加AI消息和工具结果到历史
|
||
messages.append(AIMessage(
|
||
content=response.content or "",
|
||
tool_calls=response.tool_calls
|
||
))
|
||
|
||
for tr in tool_results:
|
||
messages.append(ToolMessage(
|
||
content=str(tr["result"]),
|
||
tool_call_id=tr["tool_call_id"]
|
||
))
|
||
else:
|
||
# 无工具调用，直接添加响应
|
||
messages.append(response)
|
||
|
||
# 3.4 保存步骤记录
|
||
reasoning_chain.append(step_record)
|
||
|
||
# 3.5 检查停止条件
|
||
if self._should_stop(response):
|
||
self.logger.info(f"Agent decided to stop at step {step + 1}")
|
||
break
|
||
|
||
except Exception as e:
|
||
self.logger.error(f"Step {step + 1} failed: {e}")
|
||
step_record["error"] = str(e)
|
||
reasoning_chain.append(step_record)
|
||
continue
|
||
|
||
# 4. 提取最终决策
|
||
decisions = self._extract_decisions(messages)
|
||
|
||
# 5. 执行交易并更新持仓
|
||
execution_results = await self._execute_decisions(decisions, date)
|
||
|
||
# 6. 构建返回结果
|
||
result = TradingSessionResult(
|
||
date=date,
|
||
decisions=decisions,
|
||
execution_results=execution_results,
|
||
reasoning_chain=reasoning_chain,
|
||
final_portfolio=self.portfolio.snapshot(),
|
||
steps_taken=len(reasoning_chain),
|
||
tokens_used=self._count_tokens(messages)
|
||
)
|
||
|
||
# 7. 持久化结果
|
||
self._save_session_result(result)
|
||
|
||
return result
|
||
|
||
def _should_stop(self, response) -> bool:
|
||
"""检查是否应该停止推理循环"""
|
||
if response.content and "[STOP]" in response.content:
|
||
return True
|
||
return False
|
||
```
|
||
|
||
### 5.5 工具执行机制
|
||
|
||
```python
|
||
async def _execute_tool(self, tool_call: dict) -> Any:
|
||
"""
|
||
执行工具调用
|
||
|
||
Args:
|
||
tool_call: 包含工具名称和参数的字典
|
||
{
|
||
"id": "call_xxx",
|
||
"name": "get_price",
|
||
"args": {"symbol": "AAPL", "data_type": "current"}
|
||
}
|
||
|
||
Returns:
|
||
工具执行结果
|
||
"""
|
||
tool_name = tool_call["name"]
|
||
tool_args = tool_call["args"]
|
||
|
||
self.logger.debug(f"Executing tool: {tool_name} with args: {tool_args}")
|
||
|
||
try:
|
||
# 通过MCP客户端调用工具
|
||
result = await self.mcp_client.call_tool(tool_name, tool_args)
|
||
|
||
self.logger.debug(f"Tool result: {result}")
|
||
return result
|
||
|
||
except ToolExecutionError as e:
|
||
self.logger.warning(f"Tool {tool_name} execution failed: {e}")
|
||
return {"error": str(e)}
|
||
except TimeoutError:
|
||
self.logger.warning(f"Tool {tool_name} timed out")
|
||
return {"error": "Tool execution timed out"}
|
||
```
|
||
|
||
### 5.6 重试机制实现
|
||
|
||
```python
|
||
async def _ainvoke_with_retry(
|
||
self,
|
||
messages: List[BaseMessage],
|
||
max_retries: int = 3,
|
||
base_delay: float = 1.0
|
||
) -> AIMessage:
|
||
"""
|
||
带重试的LLM调用
|
||
|
||
实现指数退避策略处理常见错误:
|
||
- RateLimitError: API速率限制
|
||
- APIError: 服务端错误
|
||
- TimeoutError: 请求超时
|
||
|
||
Args:
|
||
messages: 消息列表
|
||
max_retries: 最大重试次数
|
||
base_delay: 基础延迟时间(秒)
|
||
|
||
Returns:
|
||
AIMessage: LLM响应
|
||
|
||
Raises:
|
||
最后一次异常(如果所有重试都失败)
|
||
"""
|
||
last_exception = None
|
||
|
||
for attempt in range(max_retries):
|
||
try:
|
||
response = await self.llm.ainvoke(messages)
|
||
return response
|
||
|
||
except RateLimitError as e:
|
||
last_exception = e
|
||
delay = base_delay * (2 ** attempt) # 指数退避
|
||
self.logger.warning(
|
||
f"Rate limited, retry {attempt + 1}/{max_retries} after {delay}s"
|
||
)
|
||
await asyncio.sleep(delay)
|
||
|
||
except APIError as e:
|
||
last_exception = e
|
||
error_msg = str(e).lower()
|
||
|
||
# 服务器过载，可重试
|
||
if "overloaded" in error_msg or "503" in error_msg:
|
||
delay = base_delay * (2 ** attempt)
|
||
self.logger.warning(
|
||
f"Server overloaded, retry {attempt + 1}/{max_retries} after {delay}s"
|
||
)
|
||
await asyncio.sleep(delay)
|
||
else:
|
||
# 其他API错误，不重试
|
||
raise
|
||
|
||
except TimeoutError as e:
|
||
last_exception = e
|
||
delay = base_delay * (2 ** attempt)
|
||
self.logger.warning(
|
||
f"Request timeout, retry {attempt + 1}/{max_retries} after {delay}s"
|
||
)
|
||
await asyncio.sleep(delay)
|
||
|
||
# 所有重试都失败
|
||
self.logger.error(f"All {max_retries} retries failed")
|
||
raise last_exception
|
||
```
|
||
|
||
### 5.7 DeepSeek适配器
|
||
|
||
由于DeepSeek API响应格式与OpenAI存在差异，系统实现了专门的适配器:
|
||
|
||
```python
|
||
class DeepSeekChatOpenAI(ChatOpenAI):
|
||
"""
|
||
DeepSeek API适配器
|
||
|
||
解决的格式差异:
|
||
1. tool_calls中的arguments可能是字符串而非字典
|
||
2. 部分响应字段名称不同
|
||
"""
|
||
|
||
def _fix_tool_calls(self, response: AIMessage) -> AIMessage:
|
||
"""
|
||
修复工具调用格式
|
||
|
||
DeepSeek返回的tool_calls中，arguments字段可能是JSON字符串
|
||
而非已解析的字典，需要进行转换
|
||
"""
|
||
if not response.tool_calls:
|
||
return response
|
||
|
||
fixed_tool_calls = []
|
||
for tc in response.tool_calls:
|
||
fixed_tc = tc.copy()
|
||
|
||
# 如果arguments是字符串，尝试解析为JSON
|
||
if isinstance(tc.get("args"), str):
|
||
try:
|
||
fixed_tc["args"] = json.loads(tc["args"])
|
||
except json.JSONDecodeError:
|
||
self.logger.warning(
|
||
f"Failed to parse tool arguments: {tc['args']}"
|
||
)
|
||
|
||
fixed_tool_calls.append(fixed_tc)
|
||
|
||
response.tool_calls = fixed_tool_calls
|
||
return response
|
||
|
||
def _generate(
|
||
self,
|
||
messages: List[BaseMessage],
|
||
stop: Optional[List[str]] = None,
|
||
**kwargs
|
||
) -> ChatResult:
|
||
"""同步生成方法"""
|
||
result = super()._generate(messages, stop, **kwargs)
|
||
|
||
# 修复每个生成结果中的tool_calls
|
||
for generation in result.generations:
|
||
if hasattr(generation, 'message'):
|
||
generation.message = self._fix_tool_calls(generation.message)
|
||
|
||
return result
|
||
|
||
async def _agenerate(
|
||
self,
|
||
messages: List[BaseMessage],
|
||
stop: Optional[List[str]] = None,
|
||
**kwargs
|
||
) -> ChatResult:
|
||
"""异步生成方法"""
|
||
result = await super()._agenerate(messages, stop, **kwargs)
|
||
|
||
for generation in result.generations:
|
||
if hasattr(generation, 'message'):
|
||
generation.message = self._fix_tool_calls(generation.message)
|
||
|
||
return result
|
||
```
|
||
|
||
---
|
||
|
||
## 6. MCP工具链系统
|
||
|
||
### 6.1 MCP协议概述
|
||
|
||
**Model Context Protocol (MCP)** 是一种标准化的工具调用协议，定义了LLM与外部工具交互的接口规范。
|
||
|
||
```
|
||
┌────────────────────────────────────────────────────────────────────┐
|
||
│ MCP协议架构 │
|
||
├────────────────────────────────────────────────────────────────────┤
|
||
│ │
|
||
│ ┌────────────────┐ ┌────────────────┐ │
|
||
│ │ MCP Client │ │ MCP Server │ │
|
||
│ │ │ │ │ │
|
||
│ │ (Agent侧) │ ←── HTTP/SSE ───→ │ (工具服务侧) │ │
|
||
│ │ │ │ │ │
|
||
│ │ • list_tools │ │ • 工具注册 │ │
|
||
│ │ • call_tool │ │ • 请求处理 │ │
|
||
│ │ • 结果处理 │ │ • 结果返回 │ │
|
||
│ └────────────────┘ └────────────────┘ │
|
||
│ │
|
||
│ 协议特点: │
|
||
│ • 声明式工具定义 (JSON Schema) │
|
||
│ • 异步调用支持 │
|
||
│ • 错误处理标准化 │
|
||
│ • 流式响应支持 │
|
||
│ │
|
||
└────────────────────────────────────────────────────────────────────┘
|
||
```
|
||
|
||
### 6.2 工具服务详细说明
|
||
|
||
#### 6.2.1 交易执行工具 (tool_trade.py)
|
||
|
||
```python
|
||
from fastmcp import FastMCP, tool
|
||
|
||
mcp = FastMCP("trade_service")
|
||
|
||
@mcp.tool()
|
||
async def execute_trade(
|
||
symbol: str,
|
||
action: Literal["buy", "sell"],
|
||
quantity: float,
|
||
order_type: Literal["market", "limit"] = "market",
|
||
limit_price: Optional[float] = None
|
||
) -> dict:
|
||
"""
|
||
执行交易指令
|
||
|
||
Args:
|
||
symbol: 交易标的代码
|
||
- 美股: "AAPL", "MSFT", "GOOGL"等
|
||
- 加密货币: "BTCUSDT", "ETHUSDT"等
|
||
- A股: "600519.SH", "000001.SZ"等
|
||
action: 交易方向
|
||
- "buy": 买入
|
||
- "sell": 卖出
|
||
quantity: 交易数量
|
||
- 美股: 股数 (支持小数，表示零股交易)
|
||
- 加密货币: 数量 (支持小数)
|
||
- A股: 手数 (1手=100股)
|
||
order_type: 订单类型
|
||
- "market": 市价单 (立即成交)
|
||
- "limit": 限价单 (指定价格)
|
||
limit_price: 限价单价格 (order_type="limit"时必填)
|
||
|
||
Returns:
|
||
dict: 交易执行结果
|
||
{
|
||
"success": True/False,
|
||
"order_id": "ord_xxx",
|
||
"symbol": "AAPL",
|
||
"action": "buy",
|
||
"order_type": "market",
|
||
"requested_quantity": 100,
|
||
"filled_quantity": 100,
|
||
"filled_price": 150.25,
|
||
"commission": 0.01,
|
||
"timestamp": "2024-12-28T10:30:00Z",
|
||
"message": "Order executed successfully"
|
||
}
|
||
|
||
Raises:
|
||
InsufficientFundsError: 资金不足
|
||
InsufficientPositionError: 持仓不足 (卖出时)
|
||
MarketClosedError: 市场已关闭
|
||
T1RestrictionError: T+1限制 (A股当日买入不可卖)
|
||
"""
|
||
# 获取当前模拟环境上下文
|
||
context = get_simulation_context()
|
||
|
||
# 1. 验证市场规则
|
||
market_rules = get_market_rules(symbol)
|
||
|
||
if not market_rules.is_trading_hours(context.current_time):
|
||
return {
|
||
"success": False,
|
||
"error": "MarketClosedError",
|
||
"message": f"Market is closed. Trading hours: {market_rules.trading_hours}"
|
||
}
|
||
|
||
# 2. 验证T+1规则 (A股)
|
||
if action == "sell" and market_rules.settlement == "T+1":
|
||
position = context.portfolio.get_position(symbol)
|
||
if position and position.buy_date == context.current_date:
|
||
return {
|
||
"success": False,
|
||
"error": "T1RestrictionError",
|
||
"message": "Cannot sell shares bought today (T+1 settlement)"
|
||
}
|
||
|
||
# 3. 验证资金/持仓
|
||
if action == "buy":
|
||
current_price = await get_current_price(symbol)
|
||
required_funds = current_price * quantity * (1 + market_rules.commission_rate)
|
||
|
||
if required_funds > context.portfolio.available_cash:
|
||
return {
|
||
"success": False,
|
||
"error": "InsufficientFundsError",
|
||
"message": f"Insufficient funds. Required: ${required_funds:.2f}, Available: ${context.portfolio.available_cash:.2f}"
|
||
}
|
||
else: # sell
|
||
position = context.portfolio.get_position(symbol)
|
||
if not position or position.quantity < quantity:
|
||
available = position.quantity if position else 0
|
||
return {
|
||
"success": False,
|
||
"error": "InsufficientPositionError",
|
||
"message": f"Insufficient position. Requested: {quantity}, Available: {available}"
|
||
}
|
||
|
||
# 4. 执行模拟交易
|
||
filled_price = await simulate_execution(symbol, action, quantity, order_type, limit_price)
|
||
commission = calculate_commission(filled_price * quantity, market_rules)
|
||
|
||
# 5. 更新持仓
|
||
context.portfolio.update(symbol, action, quantity, filled_price, commission)
|
||
|
||
# 6. 记录交易
|
||
order_id = generate_order_id()
|
||
trade_record = {
|
||
"order_id": order_id,
|
||
"symbol": symbol,
|
||
"action": action,
|
||
"quantity": quantity,
|
||
"filled_price": filled_price,
|
||
"commission": commission,
|
||
"timestamp": context.current_time.isoformat()
|
||
}
|
||
context.trade_history.append(trade_record)
|
||
|
||
return {
|
||
"success": True,
|
||
"order_id": order_id,
|
||
"symbol": symbol,
|
||
"action": action,
|
||
"order_type": order_type,
|
||
"requested_quantity": quantity,
|
||
"filled_quantity": quantity,
|
||
"filled_price": filled_price,
|
||
"commission": commission,
|
||
"timestamp": context.current_time.isoformat(),
|
||
"message": "Order executed successfully"
|
||
}
|
||
```
|
||
|
||
#### 6.2.2 价格查询工具 (tool_get_price_local.py)
|
||
|
||
```python
|
||
@mcp.tool()
|
||
async def get_price(
|
||
symbol: str,
|
||
data_type: Literal["current", "historical"] = "current",
|
||
start_date: Optional[str] = None,
|
||
end_date: Optional[str] = None,
|
||
interval: Literal["1d", "1h", "5m"] = "1d"
|
||
) -> dict:
|
||
"""
|
||
获取价格数据
|
||
|
||
Args:
|
||
symbol: 标的代码
|
||
data_type: 数据类型
|
||
- "current": 当前价格
|
||
- "historical": 历史数据
|
||
start_date: 历史数据起始日期 (YYYY-MM-DD)
|
||
end_date: 历史数据结束日期 (YYYY-MM-DD)
|
||
interval: 数据间隔
|
||
- "1d": 日线
|
||
- "1h": 小时线 (仅加密货币)
|
||
- "5m": 5分钟线 (仅加密货币)
|
||
|
||
Returns:
|
||
dict: 价格数据
|
||
{
|
||
"symbol": "AAPL",
|
||
"current_price": 150.25,
|
||
"change": 2.50,
|
||
"change_percent": 1.69,
|
||
"volume": 45678900,
|
||
"timestamp": "2024-12-28T16:00:00Z",
|
||
"historical": [ // 仅data_type="historical"时返回
|
||
{
|
||
"date": "2024-12-27",
|
||
"open": 148.00,
|
||
"high": 151.50,
|
||
"low": 147.50,
|
||
"close": 150.25,
|
||
"volume": 45678900
|
||
},
|
||
...
|
||
]
|
||
}
|
||
|
||
Note:
|
||
- 历史数据严格遵循时间限制，不会返回模拟日期之后的数据
|
||
- 这是防止前视偏差(look-ahead bias)的关键机制
|
||
"""
|
||
context = get_simulation_context()
|
||
|
||
# 关键: 防止前视偏差
|
||
if end_date:
|
||
end_date = min(
|
||
datetime.strptime(end_date, "%Y-%m-%d"),
|
||
context.current_date
|
||
).strftime("%Y-%m-%d")
|
||
else:
|
||
end_date = context.current_date.strftime("%Y-%m-%d")
|
||
|
||
# 从数据源获取价格
|
||
if data_type == "current":
|
||
price_data = await data_provider.get_current_price(
|
||
symbol,
|
||
as_of=context.current_date
|
||
)
|
||
return {
|
||
"symbol": symbol,
|
||
"current_price": price_data["close"],
|
||
"change": price_data["change"],
|
||
"change_percent": price_data["change_percent"],
|
||
"volume": price_data["volume"],
|
||
"timestamp": context.current_time.isoformat()
|
||
}
|
||
else:
|
||
historical = await data_provider.get_historical_prices(
|
||
symbol,
|
||
start_date=start_date,
|
||
end_date=end_date,
|
||
interval=interval
|
||
)
|
||
|
||
current = historical[-1] if historical else None
|
||
|
||
return {
|
||
"symbol": symbol,
|
||
"current_price": current["close"] if current else None,
|
||
"change": current["change"] if current else None,
|
||
"change_percent": current["change_percent"] if current else None,
|
||
"volume": current["volume"] if current else None,
|
||
"timestamp": context.current_time.isoformat(),
|
||
"historical": historical
|
||
}
|
||
```
|
||
|
||
#### 6.2.3 信息搜索工具 (tool_jina_search.py)
|
||
|
||
```python
|
||
@mcp.tool()
|
||
async def search_information(
|
||
query: str,
|
||
search_type: Literal["news", "analysis", "general"] = "general",
|
||
max_results: int = 5,
|
||
time_range: Optional[str] = None
|
||
) -> dict:
|
||
"""
|
||
搜索市场相关信息
|
||
|
||
使用Jina AI搜索服务获取实时市场信息。
|
||
|
||
Args:
|
||
query: 搜索关键词
|
||
示例:
|
||
- "AAPL earnings report Q4 2024"
|
||
- "Bitcoin price prediction"
|
||
- "Federal Reserve interest rate decision"
|
||
search_type: 搜索类型
|
||
- "news": 新闻报道
|
||
- "analysis": 分析文章
|
||
- "general": 通用搜索
|
||
max_results: 返回结果数量上限 (1-10)
|
||
time_range: 时间范围
|
||
- "24h": 过去24小时
|
||
- "7d": 过去7天
|
||
- "30d": 过去30天
|
||
- None: 不限制
|
||
|
||
Returns:
|
||
dict: 搜索结果
|
||
{
|
||
"query": "AAPL earnings report",
|
||
"results": [
|
||
{
|
||
"title": "Apple Reports Record Q4 Revenue",
|
||
"snippet": "Apple Inc. announced...",
|
||
"url": "https://...",
|
||
"source": "Reuters",
|
||
"publish_date": "2024-12-27",
|
||
"relevance_score": 0.95
|
||
},
|
||
...
|
||
],
|
||
"total_found": 156,
|
||
"returned": 5
|
||
}
|
||
|
||
Note:
|
||
- 搜索结果经过时间过滤，不会包含模拟日期之后发布的内容
|
||
- 结果按相关性排序
|
||
"""
|
||
context = get_simulation_context()
|
||
|
||
# 构建Jina搜索请求
|
||
jina_params = {
|
||
"query": query,
|
||
"num_results": max_results,
|
||
"search_type": search_type
|
||
}
|
||
|
||
if time_range:
|
||
jina_params["time_range"] = time_range
|
||
|
||
# 调用Jina API
|
||
raw_results = await jina_client.search(**jina_params)
|
||
|
||
# 关键: 过滤未来信息
|
||
filtered_results = []
|
||
for result in raw_results:
|
||
publish_date = parse_date(result.get("publish_date"))
|
||
if publish_date and publish_date <= context.current_date:
|
||
filtered_results.append({
|
||
"title": result["title"],
|
||
"snippet": result["snippet"][:500], # 截断长文本
|
||
"url": result["url"],
|
||
"source": result.get("source", "Unknown"),
|
||
"publish_date": publish_date.strftime("%Y-%m-%d"),
|
||
"relevance_score": result.get("score", 0)
|
||
})
|
||
|
||
return {
|
||
"query": query,
|
||
"results": filtered_results[:max_results],
|
||
"total_found": len(raw_results),
|
||
"returned": len(filtered_results[:max_results])
|
||
}
|
||
```
|
||
|
||
#### 6.2.4 数学计算工具 (tool_math.py)
|
||
|
||
```python
|
||
@mcp.tool()
|
||
async def calculate(expression: str) -> dict:
|
||
"""
|
||
执行数学计算
|
||
|
||
支持基础数学运算和金融计算函数。
|
||
|
||
Args:
|
||
expression: 数学表达式字符串
|
||
|
||
支持的运算:
|
||
基础运算: +, -, *, /, ** (幂), % (取模)
|
||
数学函数: sqrt, log, log10, exp, sin, cos, tan
|
||
统计函数: mean, std, var, median, min, max
|
||
金融函数:
|
||
- returns(prices): 计算收益率序列
|
||
- cumulative_returns(prices): 计算累积收益率
|
||
- sharpe_ratio(returns, rf=0): 计算夏普比率
|
||
- max_drawdown(prices): 计算最大回撤
|
||
- volatility(returns): 计算波动率
|
||
- var(returns, confidence=0.95): 计算VaR
|
||
|
||
Returns:
|
||
dict: 计算结果
|
||
{
|
||
"expression": "sharpe_ratio([0.1, 0.05, -0.02, 0.08])",
|
||
"result": 1.23,
|
||
"type": "float"
|
||
}
|
||
|
||
Examples:
|
||
>>> calculate("100 * 1.05 ** 12")
|
||
{"result": 179.58, ...}
|
||
|
||
>>> calculate("sharpe_ratio([0.1, 0.05, -0.02, 0.08])")
|
||
{"result": 1.23, ...}
|
||
|
||
>>> calculate("max_drawdown([100, 95, 98, 92, 96])")
|
||
{"result": -0.08, ...}
|
||
"""
|
||
try:
|
||
# 使用安全的表达式求值
|
||
result = safe_eval(
|
||
expression,
|
||
allowed_functions=FINANCIAL_FUNCTIONS,
|
||
allowed_operations=MATH_OPERATIONS
|
||
)
|
||
|
||
return {
|
||
"expression": expression,
|
||
"result": result,
|
||
"type": type(result).__name__
|
||
}
|
||
|
||
except SyntaxError as e:
|
||
return {
|
||
"expression": expression,
|
||
"error": "SyntaxError",
|
||
"message": f"Invalid expression syntax: {e}"
|
||
}
|
||
except ValueError as e:
|
||
return {
|
||
"expression": expression,
|
||
"error": "ValueError",
|
||
"message": str(e)
|
||
}
|
||
except Exception as e:
|
||
return {
|
||
"expression": expression,
|
||
"error": "CalculationError",
|
||
"message": str(e)
|
||
}
|
||
|
||
# 安全求值实现
|
||
ALLOWED_NAMES = {
|
||
# 数学常量
|
||
"pi": math.pi,
|
||
"e": math.e,
|
||
|
||
# 数学函数
|
||
"sqrt": math.sqrt,
|
||
"log": math.log,
|
||
"log10": math.log10,
|
||
"exp": math.exp,
|
||
"sin": math.sin,
|
||
"cos": math.cos,
|
||
"tan": math.tan,
|
||
"abs": abs,
|
||
"round": round,
|
||
|
||
# 统计函数
|
||
"mean": lambda x: sum(x) / len(x),
|
||
"std": lambda x: statistics.stdev(x),
|
||
"var": lambda x: statistics.variance(x),
|
||
"median": statistics.median,
|
||
"min": min,
|
||
"max": max,
|
||
|
||
# 金融函数
|
||
"returns": financial.calculate_returns,
|
||
"cumulative_returns": financial.cumulative_returns,
|
||
"sharpe_ratio": financial.sharpe_ratio,
|
||
"max_drawdown": financial.max_drawdown,
|
||
"volatility": financial.volatility,
|
||
"var": financial.value_at_risk,
|
||
}
|
||
|
||
def safe_eval(expression: str, **kwargs) -> Any:
|
||
"""安全的表达式求值"""
|
||
# 编译表达式
|
||
code = compile(expression, "<string>", "eval")
|
||
|
||
# 验证只使用允许的名称
|
||
for name in code.co_names:
|
||
if name not in ALLOWED_NAMES:
|
||
raise ValueError(f"Name '{name}' is not allowed")
|
||
|
||
# 执行求值
|
||
return eval(code, {"__builtins__": {}}, ALLOWED_NAMES)
|
||
```
|
||
|
||
### 6.3 工具服务启动脚本
|
||
|
||
```python
|
||
# start_mcp_services.py
|
||
|
||
import asyncio
|
||
from fastmcp import FastMCP
|
||
import uvicorn
|
||
|
||
# 工具服务配置
|
||
SERVICES = [
|
||
{
|
||
"name": "trade",
|
||
"module": "tool_trade",
|
||
"port": 8001,
|
||
"description": "Trade execution service"
|
||
},
|
||
{
|
||
"name": "price",
|
||
"module": "tool_get_price_local",
|
||
"port": 8002,
|
||
"description": "Price data service"
|
||
},
|
||
{
|
||
"name": "search",
|
||
"module": "tool_jina_search",
|
||
"port": 8003,
|
||
"description": "Information search service"
|
||
},
|
||
{
|
||
"name": "math",
|
||
"module": "tool_math",
|
||
"port": 8004,
|
||
"description": "Mathematical calculation service"
|
||
},
|
||
{
|
||
"name": "news",
|
||
"module": "tool_alphavantage_news",
|
||
"port": 8005,
|
||
"description": "News retrieval service"
|
||
},
|
||
]
|
||
|
||
async def start_service(service_config: dict):
|
||
"""启动单个MCP服务"""
|
||
mcp = FastMCP(service_config["name"])
|
||
|
||
# 动态导入工具模块
|
||
module = __import__(service_config["module"])
|
||
|
||
# 注册工具
|
||
for tool_func in module.get_tools():
|
||
mcp.add_tool(tool_func)
|
||
|
||
# 启动服务
|
||
config = uvicorn.Config(
|
||
mcp.app,
|
||
host="0.0.0.0",
|
||
port=service_config["port"],
|
||
log_level="info"
|
||
)
|
||
server = uvicorn.Server(config)
|
||
|
||
print(f"Starting {service_config['name']} service on port {service_config['port']}")
|
||
await server.serve()
|
||
|
||
async def start_all_services():
|
||
"""并行启动所有MCP服务"""
|
||
tasks = [start_service(cfg) for cfg in SERVICES]
|
||
await asyncio.gather(*tasks)
|
||
|
||
if __name__ == "__main__":
|
||
print("Starting MCP Tool Services...")
|
||
print("=" * 50)
|
||
for svc in SERVICES:
|
||
print(f" - {svc['name']}: port {svc['port']} ({svc['description']})")
|
||
print("=" * 50)
|
||
|
||
asyncio.run(start_all_services())
|
||
```
|
||
|
||
---
|
||
|
||
## 7. 多市场适配策略
|
||
|
||
### 7.1 市场规则抽象
|
||
|
||
系统通过抽象基类定义统一的市场规则接口:
|
||
|
||
```python
|
||
from abc import ABC, abstractmethod
|
||
from datetime import datetime, time
|
||
from typing import Optional
|
||
|
||
class MarketRules(ABC):
|
||
"""市场规则抽象基类"""
|
||
|
||
@property
|
||
@abstractmethod
|
||
def market_code(self) -> str:
|
||
"""市场代码"""
|
||
pass
|
||
|
||
@property
|
||
@abstractmethod
|
||
def currency(self) -> str:
|
||
"""交易货币"""
|
||
pass
|
||
|
||
@property
|
||
@abstractmethod
|
||
def settlement_type(self) -> str:
|
||
"""结算类型: T+0 或 T+1"""
|
||
pass
|
||
|
||
@property
|
||
@abstractmethod
|
||
def trading_hours(self) -> list:
|
||
"""交易时段列表"""
|
||
pass
|
||
|
||
@property
|
||
@abstractmethod
|
||
def commission_rate(self) -> float:
|
||
"""手续费率"""
|
||
pass
|
||
|
||
@abstractmethod
|
||
def is_trading_day(self, date: datetime) -> bool:
|
||
"""是否为交易日"""
|
||
pass
|
||
|
||
@abstractmethod
|
||
def is_trading_hours(self, dt: datetime) -> bool:
|
||
"""是否在交易时段"""
|
||
pass
|
||
|
||
@abstractmethod
|
||
def can_sell(self, buy_date: datetime, sell_date: datetime) -> bool:
|
||
"""是否可以卖出 (考虑T+1规则)"""
|
||
pass
|
||
|
||
@abstractmethod
|
||
def get_lot_size(self, symbol: str) -> int:
|
||
"""获取最小交易单位"""
|
||
pass
|
||
```
|
||
|
||
### 7.2 美股市场规则
|
||
|
||
```python
|
||
class USMarketRules(MarketRules):
|
||
"""美股市场规则"""
|
||
|
||
# NYSE/NASDAQ节假日列表
|
||
US_HOLIDAYS = [
|
||
"2024-01-01", # New Year's Day
|
||
"2024-01-15", # Martin Luther King Jr. Day
|
||
"2024-02-19", # Presidents' Day
|
||
"2024-03-29", # Good Friday
|
||
"2024-05-27", # Memorial Day
|
||
"2024-06-19", # Juneteenth
|
||
"2024-07-04", # Independence Day
|
||
"2024-09-02", # Labor Day
|
||
"2024-11-28", # Thanksgiving
|
||
"2024-12-25", # Christmas
|
||
]
|
||
|
||
@property
|
||
def market_code(self) -> str:
|
||
return "US"
|
||
|
||
@property
|
||
def currency(self) -> str:
|
||
return "USD"
|
||
|
||
@property
|
||
def settlement_type(self) -> str:
|
||
return "T+0" # 美股T+0，当日可卖
|
||
|
||
@property
|
||
def trading_hours(self) -> list:
|
||
"""
|
||
美股交易时段 (东部时间):
|
||
- 盘前: 04:00 - 09:30
|
||
- 正常: 09:30 - 16:00
|
||
- 盘后: 16:00 - 20:00
|
||
"""
|
||
return [
|
||
{"name": "pre_market", "start": time(4, 0), "end": time(9, 30)},
|
||
{"name": "regular", "start": time(9, 30), "end": time(16, 0)},
|
||
{"name": "after_hours", "start": time(16, 0), "end": time(20, 0)},
|
||
]
|
||
|
||
@property
|
||
def commission_rate(self) -> float:
|
||
return 0.0001 # 0.01%
|
||
|
||
def is_trading_day(self, date: datetime) -> bool:
|
||
"""周一至周五，且非节假日"""
|
||
if date.weekday() >= 5: # 周六日
|
||
return False
|
||
if date.strftime("%Y-%m-%d") in self.US_HOLIDAYS:
|
||
return False
|
||
return True
|
||
|
||
def is_trading_hours(self, dt: datetime) -> bool:
|
||
"""检查是否在交易时段"""
|
||
if not self.is_trading_day(dt):
|
||
return False
|
||
|
||
current_time = dt.time()
|
||
for session in self.trading_hours:
|
||
if session["start"] <= current_time <= session["end"]:
|
||
return True
|
||
return False
|
||
|
||
def can_sell(self, buy_date: datetime, sell_date: datetime) -> bool:
|
||
"""T+0: 当日买入可当日卖出"""
|
||
return True
|
||
|
||
def get_lot_size(self, symbol: str) -> int:
|
||
"""美股支持零股交易，最小单位1股"""
|
||
return 1
|
||
```
|
||
|
||
### 7.3 A股市场规则
|
||
|
||
```python
|
||
class ChinaAShareRules(MarketRules):
|
||
"""A股市场规则"""
|
||
|
||
@property
|
||
def market_code(self) -> str:
|
||
return "CN"
|
||
|
||
@property
|
||
def currency(self) -> str:
|
||
return "CNY"
|
||
|
||
@property
|
||
def settlement_type(self) -> str:
|
||
return "T+1" # A股T+1，次日才能卖
|
||
|
||
@property
|
||
def trading_hours(self) -> list:
|
||
"""
|
||
A股交易时段 (北京时间):
|
||
- 上午: 09:30 - 11:30
|
||
- 下午: 13:00 - 15:00
|
||
"""
|
||
return [
|
||
{"name": "morning", "start": time(9, 30), "end": time(11, 30)},
|
||
{"name": "afternoon", "start": time(13, 0), "end": time(15, 0)},
|
||
]
|
||
|
||
@property
|
||
def commission_rate(self) -> float:
|
||
return 0.0003 # 0.03% (券商佣金) + 印花税另计
|
||
|
||
def is_trading_day(self, date: datetime) -> bool:
|
||
"""使用Tushare获取交易日历"""
|
||
# 实际实现会查询交易日历
|
||
if date.weekday() >= 5:
|
||
return False
|
||
# TODO: 检查中国法定节假日
|
||
return True
|
||
|
||
def is_trading_hours(self, dt: datetime) -> bool:
|
||
if not self.is_trading_day(dt):
|
||
return False
|
||
|
||
current_time = dt.time()
|
||
for session in self.trading_hours:
|
||
if session["start"] <= current_time <= session["end"]:
|
||
return True
|
||
return False
|
||
|
||
def can_sell(self, buy_date: datetime, sell_date: datetime) -> bool:
|
||
"""T+1: 买入后的下一个交易日才能卖出"""
|
||
return sell_date.date() > buy_date.date()
|
||
|
||
def get_lot_size(self, symbol: str) -> int:
|
||
"""A股最小交易单位: 1手 = 100股"""
|
||
return 100
|
||
```
|
||
|
||
### 7.4 加密货币市场规则
|
||
|
||
```python
|
||
class CryptoMarketRules(MarketRules):
|
||
"""加密货币市场规则"""
|
||
|
||
@property
|
||
def market_code(self) -> str:
|
||
return "CRYPTO"
|
||
|
||
@property
|
||
def currency(self) -> str:
|
||
return "USDT"
|
||
|
||
@property
|
||
def settlement_type(self) -> str:
|
||
return "T+0" # 即时结算
|
||
|
||
@property
|
||
def trading_hours(self) -> list:
|
||
"""24/7全天候交易"""
|
||
return [
|
||
{"name": "24h", "start": time(0, 0), "end": time(23, 59, 59)},
|
||
]
|
||
|
||
@property
|
||
def commission_rate(self) -> float:
|
||
return 0.001 # 0.1% (典型交易所费率)
|
||
|
||
def is_trading_day(self, date: datetime) -> bool:
|
||
"""加密货币全年无休"""
|
||
return True
|
||
|
||
def is_trading_hours(self, dt: datetime) -> bool:
|
||
"""24/7交易"""
|
||
return True
|
||
|
||
def can_sell(self, buy_date: datetime, sell_date: datetime) -> bool:
|
||
"""即时可卖"""
|
||
return True
|
||
|
||
def get_lot_size(self, symbol: str) -> int:
|
||
"""加密货币支持极小单位交易"""
|
||
# 根据币种返回最小精度
|
||
lot_sizes = {
|
||
"BTCUSDT": 0.00001,
|
||
"ETHUSDT": 0.0001,
|
||
"XRPUSDT": 1,
|
||
"SOLUSDT": 0.01,
|
||
}
|
||
return lot_sizes.get(symbol, 0.001)
|
||
```
|
||
|
||
### 7.5 Agent市场适配
|
||
|
||
```python
|
||
class BaseAgent:
|
||
"""基础Agent - 支持多市场适配"""
|
||
|
||
def __init__(self, market: str = "us", **kwargs):
|
||
self.market = market
|
||
self.market_rules = self._get_market_rules(market)
|
||
|
||
def _get_market_rules(self, market: str) -> MarketRules:
|
||
"""获取市场规则实例"""
|
||
rules_map = {
|
||
"us": USMarketRules(),
|
||
"cn": ChinaAShareRules(),
|
||
"crypto": CryptoMarketRules(),
|
||
}
|
||
|
||
if market not in rules_map:
|
||
raise ValueError(f"Unsupported market: {market}")
|
||
|
||
return rules_map[market]
|
||
|
||
def _build_system_prompt(self, date: str) -> str:
|
||
"""构建包含市场规则的系统提示"""
|
||
return f"""
|
||
...
|
||
|
||
## Market Rules
|
||
- Market: {self.market_rules.market_code}
|
||
- Currency: {self.market_rules.currency}
|
||
- Settlement: {self.market_rules.settlement_type}
|
||
- Trading Hours: {self._format_trading_hours()}
|
||
- Commission Rate: {self.market_rules.commission_rate * 100:.3f}%
|
||
|
||
## Important Trading Restrictions
|
||
{self._get_trading_restrictions()}
|
||
...
|
||
"""
|
||
|
||
def _get_trading_restrictions(self) -> str:
|
||
"""获取市场特定的交易限制说明"""
|
||
if self.market == "cn":
|
||
return """- T+1 Settlement: Shares bought today CANNOT be sold until the next trading day
|
||
- Lot Size: Must trade in multiples of 100 shares (1 lot)
|
||
- Price Limits: ±10% daily price limit (±20% for ChiNext/STAR)"""
|
||
elif self.market == "crypto":
|
||
return """- 24/7 Trading: Market never closes
|
||
- High Volatility: Be cautious of large price swings
|
||
- No Settlement Restrictions: Can buy and sell instantly"""
|
||
else: # us
|
||
return """- T+0 Settlement: Can sell shares on the same day you buy them
|
||
- Fractional Shares: Can trade partial shares
|
||
- Pattern Day Trader Rule: Be aware if account < $25,000"""
|
||
```
|
||
|
||
---
|
||
|
||
## 8. 评测方法论
|
||
|
||
### 8.1 评测指标体系
|
||
|
||
AI-Trader采用多维度指标体系评估模型表现:
|
||
|
||
#### 8.1.1 收益类指标
|
||
|
||
| 指标 | 定义 | 公式 | 说明 |
|
||
|------|------|------|------|
|
||
| **总收益率** | Total Return | $R_{total} = \frac{V_{end} - V_{start}}{V_{start}}$ | 整体收益表现 |
|
||
| **年化收益率** | Annualized Return | $R_{ann} = (1 + R_{total})^{\frac{252}{n}} - 1$ | 标准化年度收益 |
|
||
| **超额收益** | Alpha | $\alpha = R_{agent} - R_{benchmark}$ | 相对基准的超额 |
|
||
| **日均收益** | Average Daily Return | $\bar{r} = \frac{1}{n}\sum_{i=1}^{n} r_i$ | 收益稳定性 |
|
||
|
||
#### 8.1.2 风险类指标
|
||
|
||
| 指标 | 定义 | 公式 | 说明 |
|
||
|------|------|------|------|
|
||
| **最大回撤** | Maximum Drawdown | $MDD = \max_{t}\left(\frac{Peak_t - Trough_t}{Peak_t}\right)$ | 最大亏损幅度 |
|
||
| **波动率** | Volatility | $\sigma = \sqrt{\frac{1}{n}\sum_{i=1}^{n}(r_i - \bar{r})^2}$ | 收益波动程度 |
|
||
| **下行风险** | Downside Deviation | $\sigma_d = \sqrt{\frac{1}{n}\sum_{i=1}^{n} \min(r_i - T, 0)^2}$ | 负收益波动 |
|
||
| **VaR (95%)** | Value at Risk | $P(R < VaR) = 5\%$ | 极端损失估计 |
|
||
|
||
#### 8.1.3 风险调整收益指标
|
||
|
||
| 指标 | 定义 | 公式 | 说明 |
|
||
|------|------|------|------|
|
||
| **夏普比率** | Sharpe Ratio | $SR = \frac{\bar{r} - r_f}{\sigma}$ | 单位风险收益 |
|
||
| **索提诺比率** | Sortino Ratio | $Sortino = \frac{\bar{r} - r_f}{\sigma_d}$ | 单位下行风险收益 |
|
||
| **卡玛比率** | Calmar Ratio | $Calmar = \frac{R_{ann}}{|MDD|}$ | 收益/回撤比 |
|
||
| **信息比率** | Information Ratio | $IR = \frac{\alpha}{\sigma_{tracking}}$ | 主动管理能力 |
|
||
|
||
#### 8.1.4 交易行为指标
|
||
|
||
| 指标 | 说明 |
|
||
|------|------|
|
||
| **交易频率** | 平均每个交易日的交易次数 |
|
||
| **胜率** | 盈利交易占总交易的比例 |
|
||
| **盈亏比** | 平均盈利金额 / 平均亏损金额 |
|
||
| **平均持仓周期** | 从买入到卖出的平均天数 |
|
||
| **换手率** | 交易量 / 平均持仓价值 |
|
||
| **工具使用频率** | 每次决策平均调用工具次数 |
|
||
| **推理步数** | 每次决策平均推理步数 |
|
||
|
||
### 8.2 评测流程
|
||
|
||
```
|
||
┌────────────────────────────────────────────────────────────────────────┐
|
||
│ 评测流程 │
|
||
├────────────────────────────────────────────────────────────────────────┤
|
||
│ │
|
||
│ Phase 1: 初始化 │
|
||
│ ┌──────────────────────────────────────────────────────────────────┐ │
|
||
│ │ 1.1 设定评测参数 │ │
|
||
│ │ • 时间范围: 2024-01-01 ~ 2024-12-31 │ │
|
||
│ │ • 初始资金: $10,000 / ¥100,000 / 50,000 USDT │ │
|
||
│ │ • 市场类型: US / CN / CRYPTO │ │
|
||
│ │ │ │
|
||
│ │ 1.2 加载待评测模型 │ │
|
||
│ │ • GPT-4o │ │
|
||
│ │ • Claude-3.5-Sonnet │ │
|
||
│ │ • DeepSeek-V3 │ │
|
||
│ │ • Gemini-2.0-Flash │ │
|
||
│ │ • Qwen-2.5-72B │ │
|
||
│ │ • ... │ │
|
||
│ │ │ │
|
||
│ │ 1.3 启动MCP工具服务 │ │
|
||
│ │ • tool_trade (8001) │ │
|
||
│ │ • tool_price (8002) │ │
|
||
│ │ • tool_search (8003) │ │
|
||
│ │ • tool_math (8004) │ │
|
||
│ └──────────────────────────────────────────────────────────────────┘ │
|
||
│ │ │
|
||
│ ▼ │
|
||
│ Phase 2: 并行执行 │
|
||
│ ┌──────────────────────────────────────────────────────────────────┐ │
|
||
│ │ │ │
|
||
│ │ For each trading_day in date_range: │ │
|
||
│ │ │ │ │
|
||
│ │ ▼ │ │
|
||
│ │ ┌───────────────────────────────────────────────────────────┐ │ │
|
||
│ │ │ For each model in models (并行): │ │ │
|
||
│ │ │ agent = create_agent(model, trading_day) │ │ │
|
||
│ │ │ result = agent.run_trading_session() │ │ │
|
||
│ │ │ save_result(model, trading_day, result) │ │ │
|
||
│ │ └───────────────────────────────────────────────────────────┘ │ │
|
||
│ │ │ │ │
|
||
│ │ ▼ │ │
|
||
│ │ ┌───────────────────────────────────────────────────────────┐ │ │
|
||
│ │ │ Update progress: │ │ │
|
||
│ │ │ [████████████░░░░░░░░] 60% - Day 180/300 │ │ │
|
||
│ │ └───────────────────────────────────────────────────────────┘ │ │
|
||
│ │ │ │
|
||
│ └──────────────────────────────────────────────────────────────────┘ │
|
||
│ │ │
|
||
│ ▼ │
|
||
│ Phase 3: 结果汇总 │
|
||
│ ┌──────────────────────────────────────────────────────────────────┐ │
|
||
│ │ 3.1 计算评测指标 │ │
|
||
│ │ • 收益类: Total Return, Alpha, Sharpe Ratio │ │
|
||
│ │ • 风险类: MDD, Volatility, VaR │ │
|
||
│ │ • 行为类: Win Rate, Trade Frequency, Tool Usage │ │
|
||
│ │ │ │
|
||
│ │ 3.2 生成排行榜 │ │
|
||
│ │ ┌─────┬────────────┬────────┬───────┬─────────┐ │ │
|
||
│ │ │Rank │ Model │ Return │ Sharpe│ MDD │ │ │
|
||
│ │ ├─────┼────────────┼────────┼───────┼─────────┤ │ │
|
||
│ │ │ 1 │ Model A │ +25.3% │ 1.85 │ -8.2% │ │ │
|
||
│ │ │ 2 │ Model B │ +18.7% │ 1.42 │ -12.5% │ │ │
|
||
│ │ │ ... │ ... │ ... │ ... │ ... │ │ │
|
||
│ │ └─────┴────────────┴────────┴───────┴─────────┘ │ │
|
||
│ │ │ │
|
||
│ │ 3.3 导出推理链记录 │ │
|
||
│ │ • JSON格式完整记录 │ │
|
||
│ │ • 可视化时间线 │ │
|
||
│ │ │ │
|
||
│ │ 3.4 更新Dashboard (ai4trade.ai) │ │
|
||
│ └──────────────────────────────────────────────────────────────────┘ │
|
||
│ │
|
||
└────────────────────────────────────────────────────────────────────────┘
|
||
```
|
||
|
||
### 8.3 公平性保障机制
|
||
|
||
#### 8.3.1 相同条件保障
|
||
|
||
| 条件类型 | 保障措施 | 实现方式 |
|
||
|---------|---------|---------|
|
||
| **相同资金** | 所有模型使用相同初始资金 | 配置文件统一设定 |
|
||
| **相同数据** | 使用相同数据源和时间点 | 统一数据管道 |
|
||
| **相同工具** | 调用相同的MCP服务 | 共享工具服务实例 |
|
||
| **相同规则** | 遵循相同交易规则 | 统一市场规则类 |
|
||
| **同步时间** | 模拟相同的市场时间 | 统一时间上下文 |
|
||
|
||
#### 8.3.2 防止数据污染
|
||
|
||
```python
|
||
class DataFilter:
|
||
"""
|
||
数据过滤器 - 确保无前视偏差
|
||
|
||
关键原则:
|
||
- 所有数据查询必须指定as_of日期
|
||
- 返回结果不包含as_of之后的任何信息
|
||
"""
|
||
|
||
def __init__(self, simulation_date: datetime):
|
||
self.simulation_date = simulation_date
|
||
|
||
def filter_price_data(self, data: pd.DataFrame) -> pd.DataFrame:
|
||
"""
|
||
过滤价格数据
|
||
|
||
确保不返回模拟日期之后的价格数据
|
||
"""
|
||
if "date" in data.columns:
|
||
mask = pd.to_datetime(data["date"]) <= self.simulation_date
|
||
return data[mask].copy()
|
||
return data
|
||
|
||
def filter_news(self, news_list: List[dict]) -> List[dict]:
|
||
"""
|
||
过滤新闻数据
|
||
|
||
确保不返回模拟日期之后发布的新闻
|
||
"""
|
||
filtered = []
|
||
for news in news_list:
|
||
publish_date = parse_date(news.get("publish_date"))
|
||
if publish_date and publish_date <= self.simulation_date:
|
||
filtered.append(news)
|
||
return filtered
|
||
|
||
def validate_agent_decision(self, decision: dict, reasoning: List[dict]) -> bool:
|
||
"""
|
||
验证Agent决策未使用未来信息
|
||
|
||
检查推理链中引用的所有信息源的时间戳
|
||
"""
|
||
for step in reasoning:
|
||
if step.get("observation"):
|
||
# 检查工具返回结果中的时间戳
|
||
obs = step["observation"]
|
||
if isinstance(obs, dict):
|
||
for key, value in obs.items():
|
||
if "date" in key.lower() and value:
|
||
ref_date = parse_date(str(value))
|
||
if ref_date and ref_date > self.simulation_date:
|
||
self.logger.error(
|
||
f"Future information leak detected: "
|
||
f"{key}={value} > {self.simulation_date}"
|
||
)
|
||
return False
|
||
return True
|
||
```
|
||
|
||
### 8.4 评测结果存储格式
|
||
|
||
```python
|
||
@dataclass
|
||
class TradingSessionResult:
|
||
"""单次交易会话结果"""
|
||
date: str
|
||
model: str
|
||
market: str
|
||
|
||
# 决策信息
|
||
decisions: List[TradeDecision]
|
||
execution_results: List[ExecutionResult]
|
||
|
||
# 推理过程
|
||
reasoning_chain: List[ReasoningStep]
|
||
steps_taken: int
|
||
tokens_used: int
|
||
|
||
# 持仓状态
|
||
portfolio_before: PortfolioSnapshot
|
||
portfolio_after: PortfolioSnapshot
|
||
|
||
# 指标
|
||
session_return: float
|
||
session_pnl: float
|
||
|
||
# 元数据
|
||
start_time: datetime
|
||
end_time: datetime
|
||
duration_seconds: float
|
||
|
||
@dataclass
|
||
class BenchmarkResult:
|
||
"""完整评测结果"""
|
||
config: BenchmarkConfig
|
||
|
||
# 按模型分组的结果
|
||
model_results: Dict[str, ModelResult]
|
||
|
||
# 排行榜
|
||
leaderboard: List[LeaderboardEntry]
|
||
|
||
# 统计信息
|
||
total_trading_days: int
|
||
total_sessions: int
|
||
|
||
# 生成时间
|
||
generated_at: datetime
|
||
|
||
# 存储为JSONL格式 (便于追加和流式处理)
|
||
# results/{model}/{market}/sessions/{date}.jsonl
|
||
```
|
||
|
||
---
|
||
|
||
## 9. 实验设计与数据集
|
||
|
||
### 9.1 数据集构成
|
||
|
||
#### 9.1.1 美股数据集
|
||
|
||
| 属性 | 值 |
|
||
|------|---|
|
||
| **标的范围** | NASDAQ-100成分股 (100只) |
|
||
| **时间范围** | 2023-01-01 ~ 2024-12-31 |
|
||
| **数据类型** | 日线OHLCV, 分时数据, 新闻 |
|
||
| **数据源** | Alpha Vantage API |
|
||
| **交易日数** | ~500个交易日 |
|
||
|
||
**代表性标的:**
|
||
```
|
||
AAPL (Apple) MSFT (Microsoft) GOOGL (Alphabet)
|
||
AMZN (Amazon) NVDA (NVIDIA) META (Meta)
|
||
TSLA (Tesla) AMD INTC (Intel)
|
||
...
|
||
```
|
||
|
||
#### 9.1.2 A股数据集
|
||
|
||
| 属性 | 值 |
|
||
|------|---|
|
||
| **标的范围** | SSE-50成分股 (50只) |
|
||
| **时间范围** | 2023-01-01 ~ 2024-12-31 |
|
||
| **数据类型** | 日线OHLCV, 公告数据 |
|
||
| **数据源** | Tushare Pro API |
|
||
| **交易日数** | ~480个交易日 |
|
||
|
||
**代表性标的:**
|
||
```
|
||
600519.SH (贵州茅台) 601318.SH (中国平安)
|
||
600036.SH (招商银行) 601166.SH (兴业银行)
|
||
600276.SH (恒瑞医药) 000858.SZ (五粮液)
|
||
...
|
||
```
|
||
|
||
#### 9.1.3 加密货币数据集
|
||
|
||
| 属性 | 值 |
|
||
|------|---|
|
||
| **标的范围** | 10种主流加密货币 |
|
||
| **时间范围** | 2023-01-01 ~ 2024-12-31 |
|
||
| **数据类型** | 小时线OHLCV |
|
||
| **数据源** | Alpha Vantage Crypto API |
|
||
| **数据点数** | ~17,520 * 10 = 175,200 |
|
||
|
||
**标的列表:**
|
||
```
|
||
BTC (Bitcoin) ETH (Ethereum) XRP (Ripple)
|
||
SOL (Solana) ADA (Cardano) SUI
|
||
LINK (Chainlink) AVAX (Avalanche) LTC (Litecoin)
|
||
DOT (Polkadot)
|
||
```
|
||
|
||
### 9.2 实验配置
|
||
|
||
#### 9.2.1 基础配置
|
||
|
||
```yaml
|
||
# benchmark_config.yaml
|
||
|
||
experiment:
|
||
name: "AI-Trader Benchmark 2024"
|
||
version: "1.0"
|
||
|
||
markets:
|
||
us:
|
||
initial_cash: 10000
|
||
currency: USD
|
||
assets: nasdaq_100
|
||
frequency: daily
|
||
|
||
cn:
|
||
initial_cash: 100000
|
||
currency: CNY
|
||
assets: sse_50
|
||
frequency: daily
|
||
|
||
crypto:
|
||
initial_cash: 50000
|
||
currency: USDT
|
||
assets: [BTC, ETH, XRP, SOL, ADA, SUI, LINK, AVAX, LTC, DOT]
|
||
frequency: hourly
|
||
|
||
models:
|
||
- name: gpt-4o
|
||
provider: openai
|
||
temperature: 0.7
|
||
|
||
- name: claude-3-5-sonnet
|
||
provider: anthropic
|
||
temperature: 0.7
|
||
|
||
- name: deepseek-v3
|
||
provider: deepseek
|
||
temperature: 0.7
|
||
|
||
- name: gemini-2.0-flash
|
||
provider: google
|
||
temperature: 0.7
|
||
|
||
- name: qwen-2.5-72b
|
||
provider: alibaba
|
||
temperature: 0.7
|
||
|
||
agent:
|
||
max_steps: 10
|
||
timeout_seconds: 300
|
||
retry_attempts: 3
|
||
```
|
||
|
||
#### 9.2.2 运行命令
|
||
|
||
```bash
|
||
# 单模型单市场运行
|
||
python main.py \
|
||
--model gpt-4o \
|
||
--market us \
|
||
--start-date 2024-01-01 \
|
||
--end-date 2024-12-31
|
||
|
||
# 多模型并行运行
|
||
python main_parallel.py \
|
||
--config configs/benchmark_config.yaml \
|
||
--parallel-models 5 \
|
||
--output-dir results/benchmark_2024
|
||
```
|
||
|
||
---
|
||
|
||
## 10. 研究发现与分析
|
||
|
||
### 10.1 核心发现
|
||
|
||
#### 10.1.1 发现一: 通用智能与交易能力不直接相关
|
||
|
||
```
|
||
通用智能评分 vs 交易收益
|
||
|
||
智能评分 │
|
||
(基准测试) │
|
||
95 ────┤ ● GPT-4o
|
||
│ ● Claude-3.5
|
||
90 ────┤
|
||
│ ● Gemini
|
||
85 ────┤
|
||
│ ● DeepSeek
|
||
80 ────┤ ● Qwen
|
||
│
|
||
75 ────┤
|
||
└─────────────────────────────────
|
||
5% 10% 15% 20% 25% 交易收益
|
||
|
||
观察: 智能评分最高的模型并非交易收益最高
|
||
结论: 通用智能能力不能直接转化为交易决策能力
|
||
```
|
||
|
||
**分析:**
|
||
- 高智能模型可能过度分析导致决策延迟
|
||
- 部分模型在不确定性下过于保守
|
||
- 金融决策需要特定领域知识和风险直觉
|
||
|
||
#### 10.1.2 发现二: 风控能力决定跨市场稳定性
|
||
|
||
| 模型 | 美股收益 | A股收益 | 加密货币收益 | 最大回撤 | 稳定性评级 |
|
||
|------|---------|---------|-------------|---------|-----------|
|
||
| Model A | +15% | +8% | +22% | -9% | ★★★★★ |
|
||
| Model B | +28% | -3% | -15% | -35% | ★★☆☆☆ |
|
||
| Model C | +8% | +12% | +10% | -7% | ★★★★☆ |
|
||
| Model D | +35% | +5% | -8% | -42% | ★☆☆☆☆ |
|
||
|
||
**关键观察:**
|
||
- 低回撤模型在所有市场表现更稳定
|
||
- 高收益常伴随高波动，跨市场适应性差
|
||
- 风控意识强的模型长期收益更可观
|
||
|
||
#### 10.1.3 发现三: 工具使用与决策质量正相关
|
||
|
||
```
|
||
工具调用频率 vs 决策胜率
|
||
|
||
工具调用次数/决策 │
|
||
│ ★ 高胜率模型
|
||
8 ────────────┤ ●
|
||
│ ●
|
||
6 ────────────┤ ●
|
||
│ ●
|
||
4 ────────────┤ ●
|
||
│ ★ 低胜率模型
|
||
2 ────────────┤●
|
||
└───────────────────────────
|
||
40% 45% 50% 55% 60% 65% 胜率
|
||
|
||
r = 0.73 (强正相关)
|
||
```
|
||
|
||
**分析:**
|
||
- 充分使用搜索工具的模型决策更准确
|
||
- 验证多个信息源的模型风险控制更好
|
||
- 仅依赖"直觉"的模型表现不稳定
|
||
|
||
#### 10.1.4 发现四: 推理深度影响决策一致性
|
||
|
||
| 平均推理步数 | 策略一致性 | 描述 |
|
||
|------------|----------|------|
|
||
| 2-3步 | 低 | 冲动决策，频繁改变立场 |
|
||
| 4-6步 | 中 | 基本逻辑，但分析不深入 |
|
||
| 7-10步 | 高 | 深思熟虑，策略执行稳定 |
|
||
|
||
### 10.2 模型表现对比
|
||
|
||
#### 10.2.1 综合排名 (基于Sharpe Ratio)
|
||
|
||
| 排名 | 模型 | 美股 | A股 | 加密货币 | 综合Sharpe |
|
||
|-----|------|-----|-----|---------|-----------|
|
||
| 1 | - | - | - | - | - |
|
||
| 2 | - | - | - | - | - |
|
||
| 3 | - | - | - | - | - |
|
||
|
||
*注: 实时排名请访问 [ai4trade.ai](https://ai4trade.ai)*
|
||
|
||
#### 10.2.2 模型特点分析
|
||
|
||
**GPT-4o:**
|
||
- 优势: 推理能力强，工具使用熟练
|
||
- 劣势: 响应较慢，成本较高
|
||
- 特点: 倾向于保守策略
|
||
|
||
**Claude-3.5-Sonnet:**
|
||
- 优势: 长上下文理解好，风险意识强
|
||
- 劣势: 部分场景过于谨慎
|
||
- 特点: 注重风险管理
|
||
|
||
**DeepSeek-V3:**
|
||
- 优势: 工具调用格式稳定，性价比高
|
||
- 劣势: 部分复杂推理略弱
|
||
- 特点: 执行效率高
|
||
|
||
**Gemini-2.0-Flash:**
|
||
- 优势: 响应速度快
|
||
- 劣势: 推理深度有限
|
||
- 特点: 适合高频决策
|
||
|
||
### 10.3 市场特性分析
|
||
|
||
#### 10.3.1 市场套利难度
|
||
|
||
```
|
||
套利难度 (基于平均Alpha)
|
||
|
||
加密货币 ████████░░ Easy (高波动，套利机会多)
|
||
美股 █████░░░░░ Medium (效率高，机会有限)
|
||
A股 ██░░░░░░░░ Hard (T+1限制，政策影响)
|
||
```
|
||
|
||
#### 10.3.2 最佳策略类型
|
||
|
||
| 市场 | 适合策略 | 不适合策略 |
|
||
|-----|---------|-----------|
|
||
| 美股 | 趋势跟随、动量策略 | 高频套利 |
|
||
| A股 | 价值投资、事件驱动 | 日内交易(T+1限制) |
|
||
| 加密货币 | 动量策略、均值回归 | 长期持有(高波动) |
|
||
|
||
---
|
||
|
||
## 11. 系统局限性讨论
|
||
|
||
### 11.1 模拟与真实交易的差异
|
||
|
||
| 差异点 | 模拟环境 | 真实环境 |
|
||
|-------|---------|---------|
|
||
| **滑点** | 假设零滑点 | 大单有明显滑点 |
|
||
| **流动性** | 假设无限流动性 | 受市场深度限制 |
|
||
| **延迟** | 理想化执行 | 网络和处理延迟 |
|
||
| **市场冲击** | 未考虑 | 大单影响市场价格 |
|
||
| **极端行情** | 数据平滑 | 闪崩/熔断等异常 |
|
||
|
||
### 11.2 评测方法的局限
|
||
|
||
1. **有限的时间范围**
|
||
- 1-2年数据可能不包含完整市场周期
|
||
- 未经历重大黑天鹅事件测试
|
||
|
||
2. **工具能力限制**
|
||
- 搜索结果可能不完整
|
||
- 新闻数据可能有滞后
|
||
|
||
3. **模型调用成本**
|
||
- 大规模评测成本高
|
||
- 限制了可测试的模型数量
|
||
|
||
4. **Prompt工程影响**
|
||
- 系统Prompt设计可能偏向某些模型
|
||
- 不同Prompt可能产生不同结果
|
||
|
||
### 11.3 已知问题
|
||
|
||
```python
|
||
# 已知问题列表
|
||
KNOWN_ISSUES = [
|
||
{
|
||
"id": "ISSUE-001",
|
||
"description": "DeepSeek模型偶尔返回格式不规范的tool_calls",
|
||
"status": "Workaround implemented",
|
||
"solution": "DeepSeekChatOpenAI适配器自动修复"
|
||
},
|
||
{
|
||
"id": "ISSUE-002",
|
||
"description": "A股数据在节假日后第一天可能延迟",
|
||
"status": "Known limitation",
|
||
"solution": "使用缓存数据或等待数据更新"
|
||
},
|
||
{
|
||
"id": "ISSUE-003",
|
||
"description": "加密货币市场极端波动时模型可能无法及时响应",
|
||
"status": "Under investigation",
|
||
"solution": "考虑增加紧急停止机制"
|
||
}
|
||
]
|
||
```
|
||
|
||
---
|
||
|
||
## 12. 未来研究方向
|
||
|
||
### 12.1 短期改进 (1-3个月)
|
||
|
||
1. **增加更多模型**
|
||
- Llama-3.1-405B
|
||
- Mixtral-8x22B
|
||
- GLM-4
|
||
|
||
2. **优化工具链**
|
||
- 增加技术分析工具
|
||
- 增加情绪分析工具
|
||
- 优化搜索结果质量
|
||
|
||
3. **改进可视化**
|
||
- 推理链交互式展示
|
||
- 实时性能监控
|
||
- 对比分析面板
|
||
|
||
### 12.2 中期规划 (3-6个月)
|
||
|
||
1. **多Agent协作**
|
||
- 研究多个Agent协作决策
|
||
- 不同角色分工(分析师、风控、执行)
|
||
- 共识机制研究
|
||
|
||
2. **强化学习集成**
|
||
- LLM + RL混合方法
|
||
- 在线学习能力
|
||
- 自适应策略调整
|
||
|
||
3. **私有部署方案**
|
||
- 支持本地LLM
|
||
- 企业级部署指南
|
||
- 数据安全保障
|
||
|
||
### 12.3 长期愿景 (6-12个月)
|
||
|
||
1. **生产级交易系统**
|
||
- 从评测平台扩展为可实盘系统
|
||
- 完善风控模块
|
||
- 监管合规支持
|
||
|
||
2. **多模态输入**
|
||
- 支持K线图像理解
|
||
- 视频新闻分析
|
||
- 财报PDF解析
|
||
|
||
3. **因果推理增强**
|
||
- 理解市场因果关系
|
||
- 更好的黑天鹅预测
|
||
- 可解释AI决策
|
||
|
||
---
|
||
|
||
## 13. 附录
|
||
|
||
### 13.1 术语表
|
||
|
||
| 术语 | 全称 | 说明 |
|
||
|------|------|------|
|
||
| LLM | Large Language Model | 大语言模型 |
|
||
| MCP | Model Context Protocol | 模型上下文协议，工具调用标准 |
|
||
| ReAct | Reasoning + Acting | 推理与行动结合的Agent框架 |
|
||
| RAG | Retrieval Augmented Generation | 检索增强生成 |
|
||
| T+0 | Trade Today + 0 | 当日买入当日可卖 |
|
||
| T+1 | Trade Today + 1 | 当日买入次日可卖 |
|
||
| MDD | Maximum Drawdown | 最大回撤 |
|
||
| SR | Sharpe Ratio | 夏普比率 |
|
||
| VaR | Value at Risk | 风险价值 |
|
||
| OHLCV | Open High Low Close Volume | 开高低收量 |
|
||
|
||
### 13.2 参考文献
|
||
|
||
1. **原始论文**
|
||
- Gao et al. "AI-Trader: Benchmarking Autonomous Agents in Real-Time Financial Markets." arXiv:2512.10971, 2024.
|
||
|
||
2. **相关研究**
|
||
- Yao et al. "ReAct: Synergizing Reasoning and Acting in Language Models." ICLR 2023.
|
||
- Schick et al. "Toolformer: Language Models Can Teach Themselves to Use Tools." NeurIPS 2023.
|
||
- OpenAI. "GPT-4 Technical Report." 2023.
|
||
|
||
3. **金融量化**
|
||
- Lo, Andrew W. "The Adaptive Markets Hypothesis." Journal of Portfolio Management, 2004.
|
||
|
||
### 13.3 代码示例索引
|
||
|
||
| 示例 | 位置 | 说明 |
|
||
|------|------|------|
|
||
| Agent初始化 | 5.2节 | 完整初始化流程 |
|
||
| ReAct循环 | 5.4节 | 核心推理实现 |
|
||
| MCP工具定义 | 6.2节 | 各工具详细实现 |
|
||
| 市场规则 | 7.2-7.4节 | 三大市场规则类 |
|
||
| 数据过滤 | 8.3节 | 防止前视偏差 |
|
||
|
||
### 13.4 资源链接
|
||
|
||
- **GitHub仓库:** https://github.com/HKUDS/AI-Trader
|
||
- **论文全文:** https://arxiv.org/abs/2512.10971
|
||
- **实时Dashboard:** https://ai4trade.ai
|
||
- **项目主页:** https://hkuds.github.io/AI-Trader/
|
||
- **研究组主页:** https://hkuds.github.io/
|
||
|
||
### 13.5 更新日志
|
||
|
||
| 版本 | 日期 | 更新内容 |
|
||
|------|------|----------|
|
||
| v1.0 | 2025-12-28 | 初始版本 |
|
||
| v2.0 | 2025-12-28 | 重写为纯AI-Trader系统研究报告 |
|
||
|
||
---
|
||
|
||
**报告作者:** NOFX Research Team
|
||
**版权声明:** 本报告仅供学术研究参考
|
||
|