全球首个A股金融智能体?

TL;DR

最近一段时间写了一个关于Agent的专题, 主线任务是基于A股量化交易为背景来构建多智能体系统, 然后顺便介绍MCP/Google ADK以及未来还有Agent2Agent(A2A)的相关介绍.

《Agent101》

昨天看到某个App号称全球首个A股智能体, 渣B就有点意见了, 其实圈内很多机构早就在做这些事情了... 这段时间借着介绍Agent我也来公开些这方面的东西吧, 从专业性来看, 毕竟渣B打过OI竞赛, 读过很长一段时间数学, 炒过很多年股票 ,做过量化私募JJJL, FRM啥的风控也考过, 设计过国内几乎所有交易所的低延迟交易架构, 大模型相关的Infra也搞了很多年...

正如我一直以来的观点, 对于AI落地我个人一直的选择是去挑战最难的任务, 例如直接用大模型来撸钱的事情，本质上跟我十年前选AI赛道去做量化是同一个选择，Multi Agent的框架一旦做完，就很容易的泛化到其它任务上, 例如监控运维/故障分析这些问题，例如资产管理和一些时间序列异常和协同分析等, 正如当年把量化框架改成了Nimble在思科全系列网络产品上构建了AIOPS的能力……

《谈谈AI落地难的问题》

而这一次也是进一步延续, 在原有的量化交易系统上接入Agent进一步扩展, 首先从一个比较简单的持仓组合管理做起..另外特别感谢Kimi K2, 非常靠谱的一个模型, 在Agent执行上的稳定性非常好, 成本相对于Claude大幅降低, 使得从业务ROI上基本上达到可以盈利的程度, 配合Google ADK在复杂Agent调用上逐渐进入生产级的能力了.

其实以前基于Claude做过一版, 基本上单个任务的开销超过1美金, 而最近几天用Kimi K2开发做了超过100个的测试, 配合一些context engineering优化后, 总共才花了10多块钱, 理论上一份报告卖5块钱整个业务的ROI应该不错吧:)

注: 本次测试的持仓是随机生成的, 就是想让模型来自动分析在不同持仓下对于组合风险的报告能力...

1. 整体架构

直接用Google ADK的Multi-Agent调用图

它包含了一个Portfolio_agent, 可以通过用户输入, 或者对交易软件持仓截屏以多模态的方式交互更新投资组合.然后调用DeepResearch_Agent对投资组合进行分析, 一方面是传统的基于行情的技术分析, 另一方面就是针对公告信息和股吧等舆论信息进行情感分析的Agent, 它们会被DeepResearch Agent并行调用, 并返回各自领域的报告, 这一块中未来还会继续添加一些对整个市场的指数/期权/期货/宏观等分析的sub agent.

最后基于这些并行的sub agent分析结果, 会在ReportWriter Agent中输出综合的结果. 然后会对所有的信息输入到一个CriticThinking Agent, 它包含两种类型的Agent, 一个为风险激进型, 一个为风险保守型, 通过一个LoopAgent的方式循环博弈5轮, 得出更多的信息.

2. Portfolio Agent

很简单的一个基于MCP的增删改查的Agent来构建投资组合, 相对于传统软件调用API的方式, 可以通过自然语言甚至是多模态直接粘贴持仓截屏就可以构建投资组合数据库

3. DeepResearch Agent

它是一个很简单的并行执行, 最后对所有subagent报告总结的Agent, Parallel_Research_Agent中有具体分为不同Domain的研究子Agent, 然后有一个Report Writer Agent用于收集并输出研究报告, 最后还有一个CriticalThinking Agent基于风险保守/激进的视角进行博弈分析.

Parallel_Research_Agent = ParallelAgent(
     name="parallel_research_agent",
     sub_agents=[MarketDataAgent, NewsAgent, CommentAgent],
     description="Runs multiple research agents in parallel to gather information."
 )

Critical_Thinking_Agent = LoopAgent(
     name="critical_thinking_agent",
     description="Runs multiple research agents in loop to gather information.",
     sub_agents=[RiskaggressiveAgent,RiskConservativeAgent],
     max_iterations=5,
)  

Deep_Research_Agent = SequentialAgent(
     name="deep_research_agent",
     description="Uses multi-agent-system to analyze stock data.",
     sub_agents=[Parallel_Research_Agent, ReportWriterAgent,Critical_Thinking_Agent],
)

4.行情技术分析Agent

行情分析Agent输出的报告如下所示, 我们会在其Prompt里添加很多分析的需求, 行业分布及宏观的数据分析等

最后综合产生的报告如下:

5.公告信息情感分析Agent

同时我们也可以对公告信息进行抓取和分析

最后综合产生的报告如下:

6. 舆情情感分析Agent

然后我们对一些论坛评论数据进行抓取过滤分析

最后综合产生的报告如下:

7. ReportWriter

最后我们会根据前述多个Agent的分析报告进行汇总, 并进行对整个投资组合的配置/行业暴露/系统性风险, 以及对冲策略等进行详细的分析, 产生投资组合的完整研究报告

8.CriticalThinking

然后针对前面采集的所有信息, 从风险激进的视角来进行评论

另一方面从风险保守的视角再进行辩论

并且这样的博弈会持续5轮

9.总结

当然这些能够开源出来的都是一些相对早期的辅助研究的小工具, 真正的全市场选股和量化对冲的模型来看, 还有很多事情要去做...