type
status
date
slug
summary
tags
category
icon
password
ai-hedge-fund 是一个 AI agent 应用于投资决策的开源项目，本文梳理其中各 agent 行为逻辑。
Ben Graham
基于本杰明·格雷厄姆（Benjamin Graham）价值投资原则 来分析股票，并生成一个 买入（bullish）、卖出（bearish）或中性（neutral） 的投资信号。以下是代码的详细解析：
1. 主要流程
代码的核心流程如下：
- 从 AgentState 获取股票数据
- 读取 state["data"] 里的 end_date 和 tickers（股票列表）。
- 获取股票的财务数据
- get_financial_metrics(ticker, end_date): 获取关键财务指标。
- search_line_items(ticker, [...]): 获取具体的财务报表项目，如 earnings_per_share、book_value_per_share、revenue、total_assets 等。
- get_market_cap(ticker, end_date): 获取市值。
- 进行财务分析
- analyze_earnings_stability(...): 评估盈利稳定性（是否长期保持盈利、EPS增长）。
- analyze_financial_strength(...): 评估财务稳健性（流动性、债务比例、股息历史）。
- analyze_valuation_graham(...): 计算估值（净流动资产 vs. 市值、Graham Number 计算）。
- 计算总评分，并确定信号
- 计算 总分 total_score，满分 15。
- 得分 ≥ 70% → bullish（看涨）
- 得分 ≤ 30% → bearish（看跌）
- 介于 30%-70% 之间 → neutral（中性）
- 调用 LLM 生成最终分析
- generate_graham_output(...) 结合 LLM 生成更详细的分析结果，包括信号、置信度、理由。
- 存储分析结果，并返回
- 将 ben_graham_agent 结果存入 state["data"]["analyst_signals"]。
- 以 JSON 格式返回 投资信号。
2. 关键功能模块解析
（1）分析盈利稳定性
- 目标: 判断 EPS（每股收益）是否长期稳定增长。
- 评分逻辑：
- EPS 全部为正（满分 3 分）。
- 80% 以上年份 EPS 为正（2 分）。
- 增长趋势（1 分）。
（2）分析财务稳健性
- 目标: 评估流动性、债务情况、股息历史。
- 评分逻辑：
- 流动比率（current ratio = current_assets / current_liabilities）
- ≥ 2.0 → +2 分
- ≥ 1.5 → +1 分
- 资产负债率（total_liabilities / total_assets）
- < 50% → +2 分
- < 80% → +1 分
- 是否有股息记录（+1 分）。
（3）格雷厄姆估值分析
- 目标: 使用 Graham Number 和净流动资产（Net-Net）原则计算股票估值。
- 评分逻辑：
- 净流动资产（Net-Net）
- 若 (Current Assets - Total Liabilities) > Market Cap → 4 分
- 若 $NCAV Per Share >= 2/3 * Price Per Share$ → 2 分
- Graham Number 计算
- $\text{Graham Number} = \sqrt{22.5 \times EPS \times BVPS}$
- 安全边际（Margin of Safety）
- 价格 ≤ Graham Number 的 50% → +3 分
- 价格 ≤ Graham Number 的 80% → +1 分
（4）生成最终投资信号
- 使用 LLM 生成投资信号
- LLM 模拟本杰明·格雷厄姆的投资风格，给出：
- signal（bullish、bearish、neutral）
- confidence（置信度）
- reasoning（分析理由）
3. 代码作用总结
- 基于格雷厄姆价值投资理论，分析股票的盈利稳定性、财务健康状况、估值。
- 获取 10 年财务数据（EPS、资产负债、市值等）。
- 评分系统 评估财务健康情况，总分 15 分。
- 基于得分判断信号（bullish、bearish、neutral）。
- 调用 LLM 生成分析报告，提供详细的投资理由。
4. 适用场景
- 价值投资者 想要找到被低估的公司。
- 量化投资 结合格雷厄姆原则自动筛选股票。
- 金融分析工具 可集成到投研系统，提供自动化投资建议。
Bill Ackman
这段 bill_ackman_agent 代码的核心功能是 基于比尔·阿克曼（Bill Ackman）的投资哲学 对股票进行分析，并生成一个 买入（bullish）、卖出（bearish）或中性（neutral） 的投资信号。其逻辑类似 ben_graham_agent，但核心分析框架不同，更注重 企业质量、财务纪律和内在价值评估。以下是代码的详细解析：
1. 代码主要流程
📌 1.1 获取股票数据
- 从 AgentState 读取分析所需的 tickers（股票列表）和 end_date（截止日期）。
📌 1.2 获取财务数据
- 获取财务指标 (get_financial_metrics)，包括 ROE（净资产收益率）等关键数据。
- 获取财报明细 (search_line_items)，涵盖收入、运营利润率、负债率、自由现金流等 8 个重要项目。
- 获取市场价值 (get_market_cap)，用于估值计算。
📌 1.3 进行核心财务分析
- 企业质量分析
- 关注 收入增长、运营利润率、自由现金流稳定性、ROE，判断企业是否有 长期竞争优势（moat）。
- 财务纪律分析
- 关注 负债管理、资产负债比、股息支付、股票回购，评估企业是否 合理使用资本。
- 内在价值评估
- 估算 自由现金流贴现值（DCF），计算 内在价值（Intrinsic Value） 并对比市场价值，判断是否 有足够安全边际。
📌 1.4 计算总评分 & 生成交易信号
- 评分满分 15 分，根据总分确定信号：
- ≥ 70% 看涨 (bullish)
- ≤ 30% 看跌 (bearish)
- 30% ~ 70% 中性 (neutral)
📌 1.5 调用 LLM 生成最终分析
- 让 LLM 模仿比尔·阿克曼的风格，生成 交易信号、置信度和投资理由。
📌 1.6 存储并返回分析结果
- 存入 state["data"]，供后续调用。
- 返回 JSON 结果，封装为 HumanMessage 以供 LLM 进一步处理。
2. 关键分析模块
（1）企业质量分析
- 目标: 判断公司是否具备长期竞争力（如护城河）。
- 核心指标:
- 收入增长：如果收入增长率 >50%，得 2 分，否则得 1 分。
- 运营利润率 (operating_margin)：如果大部分年份 >15%，得 2 分。
- 自由现金流（FCF）：如果多数年份 >0，得 1 分。
- ROE（净资产收益率）：如果 ROE > 15%，得 2 分。
（2）财务纪律分析
- 目标: 评估企业 债务管理 和 资本分配 是否合理。
- 核心指标:
- 债务水平：
- 主要检查 debt_to_equity（债务股权比）是否 <1。
- 备选检查 liabilities/assets 是否 <50%。
- 股息支付 & 股票回购：
- 长期支付股息 → +1 分。
- 减少流通股数（回购） → +1 分。
（3）内在价值评估
- 目标: 使用 自由现金流贴现模型（DCF） 估算公司 内在价值。
- 计算方法:
- 假设:
- 自由现金流（FCF）增长率 = 6%
- 折现率 = 10%
- 终值倍数 = 15
- DCF 计算：
- 总内在价值 = PV + TV
- 与市值对比：
3. 生成投资信号
- 让 LLM 模拟阿克曼的投资风格：
- 是否具备竞争优势（如品牌、市场份额、商业模式）。
- 自由现金流稳定性。
- 财务纪律（债务、ROE、资本回报）。
- 估值是否合理，有无足够安全边际。
- 最终输出：
5. 代码作用总结
✅ 使用比尔·阿克曼的投资框架，分析企业质量、财务纪律和估值
✅ 采用量化评分系统（满分 15），综合评估投资信号
✅ 结合 LLM 生成 “bullish/bearish/neutral” 信号，提供详细投资理由
✅ 适用于长期投资者，寻找具备 持续增长潜力 的优质企业
Cathie Wood
这个 cathie_wood_agent 代码的核心目标是基于 Cathie Wood 的投资理念，利用 LLM（大型语言模型）和财务数据，对特定股票进行分析，并生成投资信号（bullish, bearish, neutral）。其主要逻辑如下：
1. 代码结构
代码主要由以下部分组成：
- CathieWoodSignal 数据模型：存储投资信号、置信度和分析理由。
- cathie_wood_agent 主体逻辑：
- 处理多个股票的财务数据，分析其破坏性创新潜力、增长能力、估值等。
- 计算最终得分，生成投资信号。
- 结合 LLM（大模型）生成类似 Cathie Wood 的分析理由。
- 三个分析函数：
- analyze_disruptive_potential(): 评估企业的破坏性创新潜力。
- analyze_innovation_growth(): 评估企业的创新驱动增长能力。
- analyze_cathie_wood_valuation(): 评估企业的长期估值合理性。
- generate_cathie_wood_output()：
- 通过 LLM 生成最终投资信号（bullish/bearish/neutral）及解释。
2. 代码执行流程
代码的执行流程如下：
Step 1: 初始化数据
- 代码从 state["data"] 获取：
- 初始化两个字典：
Step 2: 遍历每只股票，进行分析
对于每一只股票 ticker，代码执行以下步骤：
- 获取财务数据
- get_financial_metrics(): 获取关键财务指标（年报/TTM）
- search_line_items(): 获取详细财务项（收入、毛利率、研发支出等）
- get_market_cap(): 获取市值信息
- 进行三大核心分析
- analyze_disruptive_potential(): 破坏性创新分析
- analyze_innovation_growth(): 创新增长分析
- analyze_cathie_wood_valuation(): 估值分析
- 每个分析都会返回 score（得分）和 details（细节说明）
- 计算最终得分
- total_score = disruptive_score + innovation_score + valuation_score
- 设定 max_possible_score = 15 作为满分基准
- 依据得分范围，确定投资信号：
- 调用 LLM 生成分析报告
- generate_cathie_wood_output() 结合 LLM 生成类似 Cathie Wood 风格的投资建议（信号 + 置信度 + 解释）
- 更新状态
- state["data"]["analyst_signals"]["cathie_wood_agent"] = cw_analysis
- 如果 show_reasoning 设为 True，则 show_agent_reasoning() 显示分析过程。
3. 详细分析逻辑
每个分析函数的逻辑如下：
1️⃣ 破坏性创新分析 analyze_disruptive_potential()
评估公司是否具备突破性的产品、技术或商业模式，考察：
- 收入增长加速（是否加速增长）
- 研发投入强度（是否持续高投入）
- 毛利率趋势（定价能力是否提升）
- 经营杠杆效应（收入增长是否快于开支）
- 市场占有率变化（竞争地位是否改善）
➡ 最终得分映射到 5 分制
2️⃣ 创新增长分析 analyze_innovation_growth()
评估公司是否具有创新驱动增长潜力，考察：
- 研发投入趋势（是否持续加大投入）
- 自由现金流生成能力（创新是否带来正向现金流）
- 经营效率（运营成本是否受控）
- 资本支出分配（资金是否用于创新）
- 增长再投资情况（是否优先扩张而非分红）
➡ 最终得分映射到 5 分制
3️⃣ 估值分析 analyze_cathie_wood_valuation()
评估企业是否具备长期成长性，考察：
- 基于自由现金流估值
- 采用 DCF（折现现金流）模型
- 设定较高增长率（20%）和终端倍数（25）
- 计算 内在价值
- 计算 安全边际（intrinsic value vs market cap）
- 最终得分基于安全边际
- 安全边际 > 50% → 3 分
- 安全边际 > 20% → 1 分
➡ 最终得分映射到 5 分制
4. 生成最终投资信号
函数 generate_cathie_wood_output() 通过 LLM 生成 Cathie Wood 风格的投资信号：
- 构建 ChatPromptTemplate：
- 说明 Cathie Wood 的投资理念
- 传入 ticker 和 analysis_data
- 让 LLM 生成 JSON 格式的 CathieWoodSignal
- 调用 call_llm()
- 选择 LLM 模型（state["metadata"]["model_name"]）
- 若失败，返回默认 neutral 信号
总结
这段代码本质上是一个 AI 投资分析 Agent，结合财务数据和 LLM 进行股票评估：
- 获取数据（财报+市值）
- 分析三大核心维度（破坏性创新+增长潜力+估值）
- 计算得分，确定 bullish/bearish/neutral
- 用 LLM 生成投资建议，提供 信号+置信度+理由
- 更新 state，返回结果
Charlie Munger
以下是对上述 charlie_munger_agent 代码的完整处理逻辑的梳理与解释：
一、整体处理流程
该 agent 的作用是依据查理·芒格的投资原则，对指定股票进行分析，评估以下四个维度：
- 护城河（Moat Strength）
- 管理层质量（Management Quality）
- 业务可预测性（Predictability）
- 估值合理性（Valuation）
每个维度单独分析后，综合评分产生最终投资信号（看涨 bullish、看跌 bearish、中立 neutral），并通过 LLM 生成芒格式的投资建议和详细推理。
二、具体处理步骤
（1）数据获取
遍历输入股票清单，获取每只股票的：
- 财务指标（get_financial_metrics）
获取过去10年年度财务指标数据。
- 具体财务科目数据（search_line_items）
包括收入、净利润、经营利润、ROIC、毛利率、经营现金流、资本支出、现金储备、负债、股东权益、股本数量、研发投入、商誉等。
- 市值（get_market_cap）
- 内部交易情况（get_insider_trades）
关注管理层持股和交易情况，衡量管理层诚信。
- 公司新闻（get_company_news）
关注过去一年的新闻数据。
（2）指标分析（四大维度）
每个维度单独调用对应函数计算评分：
✅ 护城河分析（analyze_moat_strength）
- ROIC分析：ROIC长期稳定在15%以上视为优秀。
- 定价能力（毛利率）：毛利率稳定或提升意味着定价权强。
- 资本密集度：资本支出占收入比例低的企业受偏爱。
- 无形资产（R&D、商誉）：重视研发和品牌等无形资产。
返回评分（0~10分）和定性分析说明。
✅ 管理层质量分析（analyze_management_quality）
- 资本配置能力（自由现金流/净利润比）：现金转换效率越高越好。
- 债务管理能力（债务/股东权益比）：低负债企业更受青睐。
- 现金储备水平（现金/收入比）：偏爱适中的现金储备。
- 内部交易（Insider trades）：管理层买入行为体现对企业信心。
- 股本稀释情况（股本变化）：股本稳定或回购优于不断稀释。
返回评分（0~10分）和定性分析说明。
✅ 业务可预测性分析（analyze_predictability）
- 收入稳定性与增长性：稳定、持续增长的收入受青睐。
- 经营利润稳定性：经营利润连续正值的企业更可预测。
- 经营利润率稳定性：利润率波动越小越好。
- 自由现金流稳定性：稳定产生正向现金流的企业优先。
返回评分（0~10分）和定性分析说明。
✅ 估值合理性分析（calculate_munger_valuation）
- 估算企业内在价值（通过最近几年自由现金流的均值估算）。
- FCF收益率（自由现金流除以市值）高的企业更具吸引力。
- 安全边际评估（合理估值与市值比较）越高越好。
- 现金流趋势（FCF趋势是否增长）偏爱持续增长企业。
返回评分（0~10分）、估值区间、定性分析说明。
（3）综合评分与信号生成
各维度评分按芒格的偏好赋予权重：
维度 | 权重 |
护城河 | 35% |
管理层质量 | 25% |
业务可预测性 | 25% |
估值合理性 | 15% |
加权得到总评分（0~10分）。
基于总评分给出信号：
（4）新闻情绪分析（analyze_news_sentiment）
简单定性处理过去一年公司新闻（未来可进一步扩展为NLP情绪分析）。
（5）LLM生成芒格式投资建议（generate_munger_output）
调用大语言模型（LLM），以芒格的投资哲学为Prompt输入上述分析数据，由LLM输出包含：
• 信号（bullish/bearish/neutral）
• 信心水平（0~100%）
• 详细推理说明
输出数据结构定义为CharlieMungerSignal类。
（6）最终结果更新与返回
- 将每只股票的分析与LLM输出存入整体数据状态 state["data"]["analyst_signals"]["charlie_munger_agent"]。
- 将所有结果封装在HumanMessage中返回。
- 如果请求展示推理过程（show_reasoning），则显示详细分析说明。
三、代码模块职责概览
函数名 | 功能作用 |
charlie_munger_agent | 主入口，协调数据获取、分析与LLM调用 |
analyze_moat_strength | 护城河强度分析 |
analyze_management_quality | 管理层质量分析 |
analyze_predictability | 业务可预测性分析 |
calculate_munger_valuation | 芒格式估值分析 |
analyze_news_sentiment | 新闻数据的简易定性分析 |
generate_munger_output | 利用LLM生成最终投资信号与说明 |
Fundamentals
📝 1. 总体目标
对多个股票 (tickers) 的财务基本面数据进行分析，并生成：
- 整体交易信号 (bullish / bearish / neutral)
- 对应的置信度（百分比）
- 每个具体维度的分析理由
⚙️ 2. 输入数据
- tickers：待分析股票代码列表
- end_date：分析使用的数据截止日期
🚧 3. 处理流程
对于列表中的每只股票（ticker），按以下流程进行处理：
3.1 获取财务数据
- 调用API函数：get_financial_metrics
- 参数： • ticker: 股票代码 • end_date: 数据截止日期 • period: 数据周期（ttm 表示最近十二个月） • limit: 数据点数量（取最近的10个数据） • 若未获取到数据，跳过该股票并记录失败状态。
3.2 分析维度
对每个股票的财务数据，从以下四个维度分析：
📍（1）盈利能力（Profitability）
指标 | 强势标准 |
ROE（净资产收益率） | ≥ 15% |
Net Margin（净利润率） | ≥ 20% |
Operating Margin（经营利润率） | ≥ 15% |
- 计算得分（满足条件数量）：
- ≥ 2：bullish
- 1：neutral
- 0：bearish
📍（2）成长能力（Growth）
指标 | 强势标准 |
Revenue Growth（营收增长） | ≥ 10% |
Earnings Growth（利润增长） | ≥ 10% |
Book Value Growth（账面价值增长） | ≥ 10% |
- 计算得分（满足条件数量）：
- ≥ 2：bullish
- 1：neutral
- 0：bearish
📍（3）财务健康度（Financial Health）
指标 | 强势标准 |
Current Ratio（流动比率） | > 1.5（高流动性） |
Debt-to-Equity Ratio（负债权益比） | < 0.5（低负债水平） |
FCF per share（每股自由现金流）与 EPS（每股收益）比例 | ≥ 0.8（强自由现金流转化） |
- 计算得分（满足条件数量）：
- ≥ 2：bullish
- 1：neutral
- 0：bearish
📍（4）估值合理性（Valuation Ratios）
指标 | 合理标准 |
P/E（市盈率） | ≤ 25 |
P/B（市净率） | ≤ 3 |
P/S（市销率） | ≤ 5 |
注意：此处统计指标超出合理标准的数量：
- 超出≥2项：bearish
- 超出1项：neutral
- 未超出任何项：bullish
3.3 综合信号计算
- 将上述四个维度的信号进行汇总：
- 若 bullish 信号数 > bearish 信号数，整体信号为 bullish。
- 若 bearish 信号数 > bullish 信号数，整体信号为 bearish。
- 若两者相等，则整体信号为 neutral。
- 计算置信度：
3.4 输出数据结构
每个股票输出数据结构示例如下：
💬 4. 结果存储与反馈
- 构建消息对象 HumanMessage：
- content：上述分析结果的JSON字符串。
- name：fundamentals_agent
- 如果设置了show_reasoning标志：
- 调用函数：show_agent_reasoning，展示分析过程。
- 更新状态中的信号列表：
📤 5. 返回数据
Sentiment
一、总体目标：
- 基于公司内部人士交易数据（insider trades）和公司相关新闻情绪（company news sentiment），分析多只股票的市场情绪，给出投资信号（bullish、bearish、neutral）及对应的信心分数（confidence）。
二、输入数据：
AgentState 中获取：
- end_date：分析截止日期。
- tickers：需要分析的一组股票代码。
三、处理逻辑：
对于每个股票（ticker），分别进行以下步骤：
（1）获取和分析公司内部人士交易数据（insider trades）：
- 调用 get_insider_trades 获取内部交易记录：
- 分析交易模式：
将每笔交易的股份数（transaction_shares）进行分析：
- 若交易股份数 < 0，则定义为 bearish（看跌）。
- 若交易股份数 ≥ 0，则定义为 bullish（看涨）。
得到内部交易情绪信号列表：
（2）获取和分析公司相关新闻情绪（company news sentiment）：
- 调用 get_company_news 获取公司相关新闻：
- 分析新闻情绪：
根据每条新闻的情绪值（sentiment）：
- "negative" 为 bearish（看跌）
- "positive" 为 bullish（看涨）
- 其他情绪则定义为 neutral（中性）
得到新闻情绪信号列表：
（3）整合内部交易与新闻的情绪信号：
- 内部人士交易信号权重：0.3
- 新闻情绪信号权重：0.7
计算带权重的 bullish 和 bearish 信号数量：
（4）生成最终情绪信号：
- bullish_signals > bearish_signals：overall_signal 为 "bullish"
- bullish_signals < bearish_signals：overall_signal 为 "bearish"
- 相等则为：overall_signal 为 "neutral"
（5）计算信号置信度（confidence）：
- 信号置信度定义为：
\text{confidence} = \frac{\max(\text{bullish\_signals, bearish\_signals})}{\text{total\_weighted\_signals}} \times 100\%
- 若无任何信号，默认 confidence 为 0%。
（6）生成推理说明（reasoning）：
给出清晰的信号推理说明：
四、输出结果：
针对每只股票，构建情绪分析结果字典：
最终以 JSON 格式存储在消息中：
五、附加操作：
- 若 AgentState 的元数据中设置了 "show_reasoning": True，则调用 show_agent_reasoning() 将推理过程可视化展示。
- 将情绪分析结果保存到 state["data"]["analyst_signals"]["sentiment_agent"]。
总体流程图示：
Charlie Munger
以下是对上述 charlie_munger_agent 代码的完整处理逻辑的梳理与解释：
一、整体处理流程
该 agent 的作用是依据查理·芒格的投资原则，对指定股票进行分析，评估以下四个维度：
- 护城河（Moat Strength）
- 管理层质量（Management Quality）
- 业务可预测性（Predictability）
- 估值合理性（Valuation）
每个维度单独分析后，综合评分产生最终投资信号（看涨 bullish、看跌 bearish、中立 neutral），并通过 LLM 生成芒格式的投资建议和详细推理。
二、具体处理步骤
（1）数据获取
遍历输入股票清单，获取每只股票的：
- 财务指标（get_financial_metrics）
获取过去10年年度财务指标数据。
- 具体财务科目数据（search_line_items）
包括收入、净利润、经营利润、ROIC、毛利率、经营现金流、资本支出、现金储备、负债、股东权益、股本数量、研发投入、商誉等。
- 市值（get_market_cap）
- 内部交易情况（get_insider_trades）
关注管理层持股和交易情况，衡量管理层诚信。
- 公司新闻（get_company_news）
关注过去一年的新闻数据。
（2）指标分析（四大维度）
每个维度单独调用对应函数计算评分：
✅ 护城河分析（analyze_moat_strength）
- ROIC分析：ROIC长期稳定在15%以上视为优秀。
- 定价能力（毛利率）：毛利率稳定或提升意味着定价权强。
- 资本密集度：资本支出占收入比例低的企业受偏爱。
- 无形资产（R&D、商誉）：重视研发和品牌等无形资产。
返回评分（0~10分）和定性分析说明。
✅ 管理层质量分析（analyze_management_quality）
- 资本配置能力（自由现金流/净利润比）：现金转换效率越高越好。
- 债务管理能力（债务/股东权益比）：低负债企业更受青睐。
- 现金储备水平（现金/收入比）：偏爱适中的现金储备。
- 内部交易（Insider trades）：管理层买入行为体现对企业信心。
- 股本稀释情况（股本变化）：股本稳定或回购优于不断稀释。
返回评分（0~10分）和定性分析说明。
✅ 业务可预测性分析（analyze_predictability）
- 收入稳定性与增长性：稳定、持续增长的收入受青睐。
- 经营利润稳定性：经营利润连续正值的企业更可预测。
- 经营利润率稳定性：利润率波动越小越好。
- 自由现金流稳定性：稳定产生正向现金流的企业优先。
返回评分（0~10分）和定性分析说明。
✅ 估值合理性分析（calculate_munger_valuation）
- 估算企业内在价值（通过最近几年自由现金流的均值估算）。
- FCF收益率（自由现金流除以市值）高的企业更具吸引力。
- 安全边际评估（合理估值与市值比较）越高越好。
- 现金流趋势（FCF趋势是否增长）偏爱持续增长企业。
返回评分（0~10分）、估值区间、定性分析说明。
（3）综合评分与信号生成
各维度评分按芒格的偏好赋予权重：
维度 | 权重 |
护城河 | 35% |
管理层质量 | 25% |
业务可预测性 | 25% |
估值合理性 | 15% |
加权得到总评分（0~10分）。
基于总评分给出信号：
（4）新闻情绪分析（analyze_news_sentiment）
简单定性处理过去一年公司新闻（未来可进一步扩展为NLP情绪分析）。
（5）LLM生成芒格式投资建议（generate_munger_output）
调用大语言模型（LLM），以芒格的投资哲学为Prompt输入上述分析数据，由LLM输出包含：
• 信号（bullish/bearish/neutral）
• 信心水平（0~100%）
• 详细推理说明
输出数据结构定义为CharlieMungerSignal类。
（6）最终结果更新与返回
- 将每只股票的分析与LLM输出存入整体数据状态 state["data"]["analyst_signals"]["charlie_munger_agent"]。
- 将所有结果封装在HumanMessage中返回。
- 如果请求展示推理过程（show_reasoning），则显示详细分析说明。
三、代码模块职责概览
函数名 | 功能作用 |
charlie_munger_agent | 主入口，协调数据获取、分析与LLM调用 |
analyze_moat_strength | 护城河强度分析 |
analyze_management_quality | 管理层质量分析 |
analyze_predictability | 业务可预测性分析 |
calculate_munger_valuation | 芒格式估值分析 |
analyze_news_sentiment | 新闻数据的简易定性分析 |
generate_munger_output | 利用LLM生成最终投资信号与说明 |
ㅤ | ㅤ |
Fundamentals
📝 1. 总体目标
对多个股票 (tickers) 的财务基本面数据进行分析，并生成：
- 整体交易信号 (bullish / bearish / neutral)
- 对应的置信度（百分比）
- 每个具体维度的分析理由
⚙️ 2. 输入数据
- tickers：待分析股票代码列表
- end_date：分析使用的数据截止日期
🚧 3. 处理流程
对于列表中的每只股票（ticker），按以下流程进行处理：
3.1 获取财务数据
- 调用API函数：get_financial_metrics
- 参数： • ticker: 股票代码 • end_date: 数据截止日期 • period: 数据周期（ttm 表示最近十二个月） • limit: 数据点数量（取最近的10个数据） • 若未获取到数据，跳过该股票并记录失败状态。
3.2 分析维度
对每个股票的财务数据，从以下四个维度分析：
📍（1）盈利能力（Profitability）
指标 | 强势标准 |
ROE（净资产收益率） | ≥ 15% |
Net Margin（净利润率） | ≥ 20% |
Operating Margin（经营利润率） | ≥ 15% |
- 计算得分（满足条件数量）：
- ≥ 2：bullish
- 1：neutral
- 0：bearish
📍（2）成长能力（Growth）
指标 | 强势标准 |
Revenue Growth（营收增长） | ≥ 10% |
Earnings Growth（利润增长） | ≥ 10% |
Book Value Growth（账面价值增长） | ≥ 10% |
- 计算得分（满足条件数量）：
- ≥ 2：bullish
- 1：neutral
- 0：bearish
📍（3）财务健康度（Financial Health）
指标 | 强势标准 |
Current Ratio（流动比率） | > 1.5（高流动性） |
Debt-to-Equity Ratio（负债权益比） | < 0.5（低负债水平） |
FCF per share（每股自由现金流）与 EPS（每股收益）比例 | ≥ 0.8（强自由现金流转化） |
- 计算得分（满足条件数量）：
- ≥ 2：bullish
- 1：neutral
- 0：bearish
📍（4）估值合理性（Valuation Ratios）
指标 | 合理标准 |
P/E（市盈率） | ≤ 25 |
P/B（市净率） | ≤ 3 |
P/S（市销率） | ≤ 5 |
注意：此处统计指标超出合理标准的数量：
- 超出≥2项：bearish
- 超出1项：neutral
- 未超出任何项：bullish
3.3 综合信号计算
- 将上述四个维度的信号进行汇总：
- 若 bullish 信号数 > bearish 信号数，整体信号为 bullish。
- 若 bearish 信号数 > bullish 信号数，整体信号为 bearish。
- 若两者相等，则整体信号为 neutral。
- 计算置信度：
3.4 输出数据结构
每个股票输出数据结构示例如下：
💬 4. 结果存储与反馈
- 构建消息对象 HumanMessage：
- content：上述分析结果的JSON字符串。
- name：fundamentals_agent
- 如果设置了show_reasoning标志：
- 调用函数：show_agent_reasoning，展示分析过程。
- 更新状态中的信号列表：
📤 5. 返回数据
Sentiment
一、总体目标：
- 基于公司内部人士交易数据（insider trades）和公司相关新闻情绪（company news sentiment），分析多只股票的市场情绪，给出投资信号（bullish、bearish、neutral）及对应的信心分数（confidence）。
二、输入数据：
AgentState 中获取：
- end_date：分析截止日期。
- tickers：需要分析的一组股票代码。
三、处理逻辑：
对于每个股票（ticker），分别进行以下步骤：
（1）获取和分析公司内部人士交易数据（insider trades）：
- 调用 get_insider_trades 获取内部交易记录：
- 分析交易模式：
将每笔交易的股份数（transaction_shares）进行分析：
- 若交易股份数 < 0，则定义为 bearish（看跌）。
- 若交易股份数 ≥ 0，则定义为 bullish（看涨）。
得到内部交易情绪信号列表：
（2）获取和分析公司相关新闻情绪（company news sentiment）：
- 调用 get_company_news 获取公司相关新闻：
- 分析新闻情绪：
根据每条新闻的情绪值（sentiment）：
- "negative" 为 bearish（看跌）
- "positive" 为 bullish（看涨）
- 其他情绪则定义为 neutral（中性）
得到新闻情绪信号列表：
（3）整合内部交易与新闻的情绪信号：
- 内部人士交易信号权重：0.3
- 新闻情绪信号权重：0.7
计算带权重的 bullish 和 bearish 信号数量：
（4）生成最终情绪信号：
- bullish_signals > bearish_signals：overall_signal 为 "bullish"
- bullish_signals < bearish_signals：overall_signal 为 "bearish"
- 相等则为：overall_signal 为 "neutral"
（5）计算信号置信度（confidence）：
- 信号置信度定义为：
\text{confidence} = \frac{\max(\text{bullish\_signals, bearish\_signals})}{\text{total\_weighted\_signals}} \times 100\%
- 若无任何信号，默认 confidence 为 0%。
（6）生成推理说明（reasoning）：
给出清晰的信号推理说明：
四、输出结果：
针对每只股票，构建情绪分析结果字典：
最终以 JSON 格式存储在消息中：
五、附加操作：
- 若 AgentState 的元数据中设置了 "show_reasoning": True，则调用 show_agent_reasoning() 将推理过程可视化展示。
- 将情绪分析结果保存到 state["data"]["analyst_signals"]["sentiment_agent"]。
总体流程图示：
Warren Buffett
分析目标
- 以沃伦·巴菲特的投资原则为依据：
- 能力圈：投资熟悉且理解的业务。
- 安全边际：仅在内在价值有足够折扣（>30%）时买入。
- 经济护城河：优先考虑具有持久竞争优势的企业。
- 管理质量：偏爱保守且对股东友好的管理团队。
- 财务稳健：选择债务低、净资产收益率高的公司。
- 长期投资：关注企业本身，而非短期股价波动。
基础财务分析
- 净资产收益率（ROE）：ROE稳定且高于15%，得分增加。
- 负债权益比：低于0.5的保守负债比率视为积极因素。
- 营业利润率：持续高于15%视为企业经营表现优秀。
- 流动比率：超过1.5表示公司短期偿债能力良好。
盈利一致性分析
- 检查净利润是否呈现稳定增长趋势：
- 连续4期以上净利润增长视为积极信号。
- 过去多个时期净利润波动较大或下降，得分减少。
经济护城河分析
- 检查历史ROE和营业利润率稳定性：
- 连续多年ROE稳定超过15%得分增加。
- 连续多年营业利润率超过15%，进一步增加得分。
- 两项指标皆稳定突出，则视为企业拥有明显经济护城河。
管理质量分析
- 检查是否存在股票回购或稀释行为：
- 最近时期公司持续股票回购，视为股东友好行为，得分增加。
- 最近时期明显发行新股，可能产生稀释效应，得分减少。
- 检查派息记录：
- 稳定的股息派发历史视为积极因素。
内在价值计算（DCF）
- 使用“所有者盈利”而非单纯净利润：
- 所有者盈利 = 净利润 + 折旧摊销 - 维护资本开支（约为资本开支的75%）。
- 使用DCF模型计算内在价值：
- 假设保守增长率（5%）和适中的贴现率（9%）。
- 采用10年预测期和合理终值倍数（12倍）。
安全边际分析
- 比较计算得到的内在价值与当前市值：
- 内在价值超出当前市值30%以上，视为具备充分安全边际。
- 内在价值明显低于市值，尤其低于-30%时，可能意味着估值过高，应谨慎或看跌。
综合决策逻辑
- 当综合得分较高（达到最大可能得分的70%以上），且安全边际超过30%，给出看涨信号。
- 当综合得分较低（低于最大可能得分的30%）或安全边际严重不足（<-30%），给出看跌信号。
- 其他情况则给出中性信号，以观望为主。
输出格式与结果说明
- 最终输出结果包括：
- 投资信号（看涨、看跌、中性）
- 信心指数（0-100）
- 详细的投资理由分析
Valuation
估值分析框架
- 该AI通过并行使用两种估值方法进行多股票分析：
- 巴菲特的自由主人收益法（Owner Earnings）
- 现金流贴现法（DCF）
- 每个估值方法都基于以下金融指标：
- 净收入
- 折旧和摊销
- 资本支出
- 营运资金变化
- 自由现金流
- 收益增长率
决策流程
- 数据获取流程
- 为每个股票获取财务指标和特定财务项目
- 获取当前和前一期间的财务数据，用于计算变化率
- 获取市值数据作为比较基准
- 分析计算
- 巴菲特方法：计算主人收益估值
- DCF方法：基于自由现金流计算内在价值
- 计算估值差距：(估算价值 - 市值) / 市值
- 信号生成逻辑
- 估值差距 > 15%：看涨信号（bullish）
- 估值差距 < -15%：看跌信号（bearish）
- 15% 至 15%之间：中性信号（neutral）
- 置信度计算
- 置信度 = 估值差距的绝对值（以百分比表示）
- 例：估值差距为20%，置信度为20
关键参数设置
- 自由主人收益法参数
- 要求回报率：15%（巴菲特通常使用）
- 安全边际：25%
- 预测年限：5年
- DCF估值参数
- 折现率：10%
- 终端增长率：3%（上限）
- 预测期间：5年
实用特点
- 稳健性设计
- 包含数据有效性检查，确保分析前有足够的财务指标
- 合并两种估值方法的结果，减少单一方法的偏差
- 透明的推理过程
- 每个方法都生成详细的分析说明
- 可通过show_reasoning标志显示详细分析过程
- 灵活的参数设置
- 所有关键参数可根据不同市场环境调整
- 预设了保守的增长率和较高的要求回报率，体现价值投资理念
这种投资AI模型采用了价值投资的核心原则，通过量化分析寻找市场中被低估的股票，同时保持适当的安全边际以降低风险。
Technicals
这段代码实现了一个复杂的技术分析系统，用于评估股票的交易信号。下面是其投资逻辑的梳理：
1. 整体架构
技术分析师代理(
technical_analyst_agent)结合了5种不同的交易策略，每种策略分别计算交易信号，然后通过加权组合得出最终建议：- 趋势跟踪 (25% 权重)
- 均值回归 (20% 权重)
- 动量策略 (25% 权重)
- 波动率分析 (15% 权重)
- 统计套利信号 (15% 权重)
2. 各策略具体分析方法
2.1 趋势跟踪策略
- 计算多个时间框架的指数移动平均线(EMA)：8日、21日和55日
- 使用平均方向指数(ADX)来衡量趋势强度
- 短期趋势：EMA8 > EMA21
- 中期趋势：EMA21 > EMA55
- 当短期和中期趋势同时向上时产生看涨信号，同时向下时产生看跌信号
- 信号的置信度取决于ADX指标的强度
2.2 均值回归策略
- 计算价格相对于50日移动平均线的Z分数(标准差距离)
- 使用布林带(Bollinger Bands)来确定价格偏离程度
- 计算14日和28日RSI(相对强弱指数)
- 当价格显著低于历史均值(Z分数<-2)且接近布林带下轨时产生看涨信号
- 当价格显著高于历史均值(Z分数>2)且接近布林带上轨时产生看跌信号
- 信号的置信度取决于价格偏离程度
2.3 动量策略
- 计算多个时间周期的价格动量：1个月、3个月和6个月
- 分析交易量动量(当前交易量与21日平均交易量的比值)
- 将短期、中期和长期动量按照不同权重(0.4、0.3、0.3)组合
- 当动量得分>0.05且交易量增加时产生看涨信号
- 当动量得分<-0.05且交易量增加时产生看跌信号
- 信号置信度基于动量得分的绝对值
2.4 波动率分析
- 计算历史波动率(21日收益标准差)
- 分析波动率状态(当前波动率与63日平均波动率的比值)
- 计算波动率的Z分数以检测异常值
- 分析ATR(真实波动幅度均值)与价格的比率
- 当波动率处于低位且有上升趋势时产生看涨信号
- 当波动率处于高位且可能回落时产生看跌信号
- 信号置信度基于波动率Z分数的绝对值
2.5 统计套利信号
- 计算收益分布的偏度(skewness)和峰度(kurtosis)
- 使用赫斯特指数(Hurst exponent)检测时间序列的均值回归特性
- H < 0.5 表示均值回归
- H = 0.5 表示随机游走
- H > 0.5 表示趋势系列
- 当赫斯特指数<0.4且偏度>1时产生看涨信号
- 当赫斯特指数<0.4且偏度<-1时产生看跌信号
- 信号置信度基于赫斯特指数与0.5的距离
3. 信号组合机制
多策略组合通过
weighted_signal_combination函数实现：- 将不同信号（看涨、看跌、中性）转换为数值（+1, -1, 0）
- 考虑每个策略的预设权重和信号置信度
- 计算加权平均分数
- 基于最终分数生成总体信号：
- 分数 > 0.2: 看涨
- 分数 < -0.2: 看跌
- 其他情况: 中性
4. 特点与优势
- 多策略集成：结合不同投资思路，避免单一策略的缺陷
- 多时间框架：同时分析短期、中期和长期市场行为
- 自适应置信度：根据指标强度动态调整每个信号的权重
- 统计稳健性：使用偏度、峰度和赫斯特指数等统计指标增强分析深度
- 具有量化基础：每个决策都基于可测量的技术指标，而非主观判断
这种技术分析方法试图通过结合多种互补的分析技术，在市场中识别更可靠的交易信号，为投资决策提供技术层面的支持。
Stanley Druckenmiller
核心投资原则
Stanley Druckenmiller作为一位著名投资者，拥有独特的投资方法论。AI代理模拟了以下核心原则：
- 寻找非对称风险回报机会（高上行潜力，有限下行风险）
- 注重增长、势头和市场情绪
- 通过避免高风险和低回报投资保全资本
- 愿意为真正的成长领导者支付更高估值
- 在确信度高时采取积极行动
- 如果投资论点改变，迅速止损
决策结构
1. 数据收集与分析
对每个股票，AI代理收集以下数据：
- 财务指标与增长数据（收入、EPS等）
- 市值信息
- 相关财务条目（收入、每股收益、净收入等）
- 内部交易情况
- 公司新闻
- 价格数据（用于动量分析）
2. 五个关键维度分析
每项分析都会产生一个0-10分的评分：
a. 增长与动量分析 (35%权重)
- 评估收入增长（同比）
- 评估EPS增长（同比）
- 评估价格动量
- 对强劲增长（>30%）给予高分，微弱增长给予低分
- 价格动量强劲(>50%)给予高分
b. 风险回报分析 (20%权重)
- 通过债务股本比评估风险
- 通过价格波动性评估风险
- 低债务股本比(<0.3)和低波动性获得高分
c. 估值分析 (20%权重)
- 评估P/E
- 评估P/FCF
- 评估EV/EBIT
- 评估EV/EBITDA
- 对合理估值给予高分，但愿意为增长支付溢价
d. 市场情绪分析 (15%权重)
- 分析新闻标题的情绪
- 检测负面关键词
- 正面/中性新闻获得高分
e. 内部人活动分析 (10%权重)
- 分析内部人买卖活动比例
- 内部人大量买入(>70%)获得高分
- 内部人卖出获得低分
3. 加权评分计算
4. 信号生成
- 看涨信号：总分 ≥ 7.5
- 中性信号：总分介于4.5-7.5之间
- 看跌信号：总分 ≤ 4.5
5. 最终输出
生成包含以下内容的结构化信号：
- 方向（看涨/看跌/中性）
- 信心水平（0-100%）
- 详细推理解释
典型决策路径
- 数据收集 → 多维度分析 → 综合评分 → 生成信号与推理
- 高度重视增长和动量指标（35%权重），符合Druckenmiller强调成长的投资风格
- 平衡考虑风险与回报，寻找非对称机会（风险有限但上行空间大的投资）
- 对情绪信号敏感，利用市场情绪作为辅助因素
- 综合评估后给出明确信号，并附带详细推理过程
这种投资逻辑模拟了Stanley Druckenmiller擅长的宏观趋势把握和成长投资风格，强调资本保全但在高确信度情况下敢于下重注。
Portfolio Manager
📌 Agent 主要功能
Portfolio Management Agent 主要负责根据分析师信号和组合状态，生成最终的交易决策（买入、卖出、做空、平仓、持仓）。
🧩 逻辑流程
整体逻辑如下：
- 获取状态数据
- 从 AgentState 中提取：
- 当前投资组合（portfolio）：包括现金、持仓、保证金要求等
- 分析师信号（analyst_signals）：来自多个分析师的投资信号
- 涉及的股票列表（tickers）
- 分析处理信号
- 从分析师信号提取每只股票的信息：
- 风险管理数据（position_limits、current_prices）
- 计算每个股票允许交易的最大股份数（max_shares）
- 汇总各分析师对每只股票的信号和置信度（signals_by_ticker）
- 生成交易决策
- 调用
generate_trading_decision方法，将整理后的信号数据、股票价格、最大允许股数、投资组合状态传入 - 使用指定的 LLM 模型生成交易决策：
- 模型输入包含严格定义的 prompt 和 JSON 数据结构
- 模型输出包含每只股票的交易决策（PortfolioDecision）
- 封装结果
- 创建一个 HumanMessage，将决策结果序列化为 JSON 格式后加入状态消息中
- 若设置
show_reasoning=True，则打印交易决策和推理过程 - 返回更新后的 AgentState 数据
🚦 交易决策规则（Trading Rules）
🔹 多头（Long Positions）
- 买入（buy）条件：
- 必须有足够现金
- 买入数量 ≤ 该股票的最大允许交易数量（max_shares）
- 卖出（sell）条件：
- 当前持有股票的多头仓位
- 卖出数量 ≤ 当前持仓股份数
🔹 空头（Short Positions）
- 做空（short）条件：
- 有足够的保证金（需满足50%的保证金要求）
- 做空数量需符合保证金要求和最大股份限制
- 平仓（cover）条件：
- 当前持有股票的空头仓位
- 平仓数量 ≤ 当前空头持仓股份数
🔹 持仓（Hold）
- 若无明显信号或其他交易条件均不满足，默认持仓不动
🎯 输入输出结构
输入（Input）
- 股票列表（tickers）
- 分析师信号（signals_by_ticker）
- 当前价格（current_prices）
- 最大交易数量（max_shares）
- 投资组合现金、持仓、保证金要求
输出（Output）
严格的 JSON 格式：
🔄 容错处理机制
若调用 LLM 模型失败，则：
- 为所有股票默认生成一个「持仓（hold）」的 PortfolioDecision，并备注错误原因。
💡 核心函数说明
🔸 portfolio_management_agent(state: AgentState)
- 主要控制函数，整合数据、调用交易决策生成逻辑、处理状态更新。
🔸 generate_trading_decision(...)
- 调用 LLM 生成实际的 PortfolioManagerOutput 交易决策。
🛠 工具类函数说明
- call_llm：调用指定的 LLM 模型生成决策。
- progress.update_status：更新处理进度与状态。
- show_agent_reasoning：可选地展示详细的决策推理过程。
📚 数据模型（Data Model）
🔖 PortfolioDecision
🔖 PortfolioManagerOutput
Risk Manager
🌟 一、目的（Purpose）
风险管理 Agent 的核心职责是：
根据实时市场价格和组合情况，对每个股票标的计算合理的持仓规模，以控制组合风险。
- 限制单一标的仓位，防范集中风险。
- 确保资金安全，合理利用现金。
🛠️ 二、输入数据（Inputs）
Agent 从状态对象（AgentState）中获取：
- 投资组合信息 (portfolio)：
- 现金余额 (cash)
- 各股票现有持仓成本 (cost_basis)
- 行情相关信息：
- 股票代码列表 (tickers)
- 价格数据区间 (start_date, end_date)
🔄 三、行为流程（Behavior Flow）
对每个股票标的 (ticker) 单独执行：
- 🔍 获取价格数据
- 调用 get_prices 获取指定日期范围内的价格数据。
- 若未获取到价格数据，跳过当前股票分析。
- 📈 计算最新价格
- 使用最新收盘价作为当前价格 (current_price)。
- 💰 计算组合价值
- 组合总价值 (total_portfolio_value) = 当前现金 + 所有股票的持仓成本之和。
- 📏 确定单一标的持仓上限
- 对单个股票设定不超过组合总价值的 20% 上限 (position_limit)。
- 🧮 计算剩余可增加仓位
- 剩余仓位额度 (remaining_position_limit) = 单一标的持仓上限 - 已持仓成本。
- 同时考虑账户现金余额，取两者中的较小值作为最终可加仓额度 (max_position_size)。
🧠 四、决策逻辑（Decision Logic）
对于每个标的，Agent 给出的风险评估结果为：
📤 五、输出内容（Outputs）
- 最终的风险管理结果（risk_analysis）封装在 JSON 中，以 HumanMessage 的形式传递给后续 Agent。
- 更新状态中的分析信号列表（analyst_signals["risk_management_agent"]），供后续分析。
🚧 六、风险管理规则（Rules）
- 单只股票持仓不超过组合总价值的 20%。
- 不允许超出账户当前可用现金进行交易。
- 已经持仓的股票，新增仓位不能超过剩余额度。
🖥️ 七、工具调用（External Calls）
工具函数 | 功能说明 |
get_prices | 从外部 API 获取股票历史价格数据 |
prices_to_df | 将价格数据转化为 DataFrame |
progress.update_status | 更新实时状态用于监控与展示进度 |
🎯 八、整体逻辑图示（Flowchart）
- Author:Ethan
- URL:https://zheyu.ink/article/1bcc00c0-aa6a-804b-aec0-c10121a40749
- Copyright:All articles in this blog, except for special statements, adopt BY-NC-SA agreement. Please indicate the source!