dvcrn Trading Agents 股票投资分析系统
基于 AgentScope 框架的多智能体协作股票诊断系统，一键执行完整诊断流程。
核心特性
✅ 一键全自動执行 - 单次调用完成所有角色分析和报告生成
✅ 多智能体协作 - 分析师、研究员、交易员、风控、基金经理五层决策
✅ 完整报告输出 - 自动生成 7 份专业 MD 报告和 1 份合并 PDF
✅ 后台运行支持 - 避免长任务超时，自动保存中间结果
✅ 数据驱动 - 集成 Tushare/AKShare 实时金融数据
系统架构
智能体团队架构
分析师团队 (ReActAgent) - 数据采集
- MarketAnalyst: 技术面分析
- FundamentalsAnalyst: 基本面分析
- NewsAnalyst: 舆情面分析
研究员团队 (AgentBase) - 多空辩论
- BullishResearcher: 看多研究员
- BearishResearcher: 看空研究员
- ResearchFacilitator: 研究主持人
交易与风控团队 - 决策与风控
- Trader: 交易员
- AggressiveRisk: 激进型风控
- NeutralRisk: 中性型风控
- ConservativeRisk: 保守型风控
- RiskFacilitator: 风控协调人
基金经理 - 最终决策
- Manager: 做出最终投资决策
所有角色通过一次调用自动完成：
advisor = StockAdvisorSystem()
result = advisor.diagnose("600519.SH") # 一键执行所有角色
advisor.save_report(result) # 生成所有报告
一键自动执行所有角色（推荐）
这是最简单也是最推荐的使用方式，一次调用完成所有分析并生成所有报告：
from trading_agents import StockAdvisorSystem
# 创建系统实例
advisor = StockAdvisorSystem()
# 一键执行完整诊断（自动完成所有角色）
result = advisor.diagnose("600519.SH", base_report_dir="report")
# 保存所有报告（JSON + PDF）
advisor.save_report(result)
print(f"✅ 所有报告已生成：{result['report_dir']}")
print(f"📊 最终决策：{result['final_decision']}")
以上代码会自动完成以下所有步骤：
阶段 1: 数据采集（分析师团队）
├─ MarketAnalyst → 技术面分析报告.md
├─ FundamentalsAnalyst → 基本面分析报告.md
└─ NewsAnalyst → 舆情面分析报告.md
↓
阶段 2: 研究员辩论
├─ BullishResearcher vs BearishResearcher
└─ → 研究员辩论报告.md
↓
阶段 3: 交易员决策
├─ Trader 综合分析所有报告
└─ → 交易员决策报告.md
↓
阶段 4: 风险管理讨论
├─ AggressiveRisk vs NeutralRisk vs ConservativeRisk
└─ → 风险管理讨论报告.md
↓
阶段 5: 基金经理最终决策
├─ Manager 做出最终决策
└─ → 最终决策报告.md
↓
阶段 6: 报告生成
├─ complete_diagnosis_report.json
└─ {股票名}_{代码}_{时间}_{决策}.pdf
分步执行（可选）
from trading_agents import StockAdvisorSystem
advisor = StockAdvisorSystem()
# 阶段 1: 分析师数据采集
result = advisor.diagnose("600519.SH") # 已完成所有分析师报告
# 阶段 2-5: 后续流程自动完成
# 研究员辩论 → 交易员决策 → 风控讨论 → 经理决策
# 阶段 6: 保存所有报告
advisor.save_report(result)
快速开始
一键完整诊断（推荐）
方式 1：使用 OpenClaw 技能调用
from trading_agents import StockAdvisorSystem
# 创建系统实例
advisor = StockAdvisorSystem()
# 一键执行完整诊断（自动完成所有角色分析并生成所有报告）
result = advisor.diagnose("600519.SH", base_report_dir="report")
# 保存完整报告（包含 JSON 和合并 PDF）
advisor.save_report(result)
print(f"✅ 所有报告已生成：{result['report_dir']}")
print(f"📊 最终决策：{result['final_decision']}")
方式 2：命令行执行
# 直接运行诊断脚本
python3 scripts/stock_advisor.py --stock 600519.SH
# 或使用 nohup 后台运行（适合长时间任务）
nohup python3 scripts/stock_advisor.py --stock 600519.SH > diagnose.log 2>&1 &
方式 3：后台运行模式（防超时）
# 使用后台诊断脚本
python3 scripts/background_diagnose.py 600519.SH 贵州茅台
⚠️ 重要提示
完整诊断流程需要 10-15 分钟，包含以下自动执行步骤：
- ✅ 数据采集 - 3 位分析师独立获取数据并生成报告
- ✅ 研究员辩论 - 看多看空双方辩论形成共识
- ✅ 交易员决策 - 综合分析报告制定交易策略
- ✅ 风控讨论 - 三种风险偏好评估风险
- ✅ 经理决策 - 做出最终投资决策
- ✅ 报告生成 - 自动生成所有 MD 报告和合并 PDF
推荐使用后台运行模式以避免会话超时：
- 详见 BACKGROUND_RULES.md
- 自动保存中间结果，防止中断丢失数据
使用方法
作为 OpenClaw 技能使用:
将本目录复制到 OpenClaw 项目的 skills 目录：
cp -r trading-agents /path/to/openclaw/skills/
OpenClaw 中调用示例（一键完成所有角色）:
# OpenClaw 会自动加载技能
from trading_agents import StockAdvisorSystem
# 创建系统实例
advisor = StockAdvisorSystem()
# 一键执行完整诊断（自动完成所有角色分析并生成所有报告）
result = advisor.diagnose("600519.SH", base_report_dir="report")
# 保存所有报告（JSON + PDF）
advisor.save_report(result)
# 输出包含：
# - MarketAnalyst_技术面分析.md
# - FundamentalsAnalyst_基本面分析.md
# - NewsAnalyst_舆情面分析.md
# - 研究员辩论报告.md
# - 交易员决策报告.md
# - 风险管理讨论报告.md
# - 最终决策报告.md
# - complete_diagnosis_report.json
# - {股票名}_{代码}_{时间}_{决策}.pdf
作为 Python 包安装:
# 安装整个技能包
pip install /path/to/trading-agents/
# 或进入 scripts 目录安装核心代码
pip install /path/to/trading-agents/scripts/
独立使用:
from trading_agents import StockAdvisorSystem
# 创建系统实例
advisor = StockAdvisorSystem()
# 一键诊断股票（自动执行所有角色并生成所有报告）
result = advisor.diagnose("600519.SH", base_report_dir="report")
# 保存完整报告
advisor.save_report(result)
print(f"报告目录：{result['report_dir']}")
print(f"最终决策：{result['final_decision']}")
使用特定模型
from trading_agents.config import config
# 切换模型
config.model_name = "qwen-max-2025-01-25" # 或其他支持的模型
# 支持的模型:
# - kimi-k2.5
# - qwen-max-2025-01-25
# - qwen3.5-plus
# - glm-5
# - MiniMax/MiniMax-M2.5
配置说明
环境变量
# Tushare API Token
TUSHARE_TOKEN=your_token_here
# 阿里云百炼 API Key
ALIYUN_BAILIAN_API_KEY=your_key_here
配置参数
from trading_agents.config import config
# 辩论轮数
config.debate_rounds = 2
# 风控讨论轮数
config.risk_discussion_rounds = 2
# 权重配置
config.tech_weight = 0.25 # 技术面权重
config.fund_weight = 0.35 # 基本面权重
config.news_weight = 0.20 # 舆情面权重
config.research_weight = 0.20 # 研究员共识权重
输出报告（自动生成）
系统自动生成以下报告文件:
分析师报告（阶段 1）
MarketAnalyst_技术面分析.md- 技术面分析报告FundamentalsAnalyst_基本面分析.md- 基本面分析报告NewsAnalyst_舆情面分析.md- 舆情面分析报告
研究员辩论（阶段 2）
研究员辩论报告.md- 看多看空辩论记录
交易员决策（阶段 3）
交易员决策报告.md- 交易策略报告
风控讨论（阶段 4）
风险管理讨论报告.md- 风险评估报告
经理决策（阶段 5）
最终决策报告.md- 最终投资决策
完整报告（阶段 6）
complete_diagnosis_report.json- 完整 JSON 数据{股票名}_{代码}_{时间}_{决策}.pdf- 合并 PDF 报告
所有报告通过一键调用自动生成：
advisor = StockAdvisorSystem()
result = advisor.diagnose("600519.SH")
advisor.save_report(result) # 自动生成所有 MD 和 PDF
核心组件（可选）
注意：推荐使用一键调用方式，以上代码已自动完成所有角色。以下为高级用法，可按需单独调用。
分析师智能体
from trading_agents.agents import (
MarketAnalystAgent,
FundamentalsAnalystAgent,
NewsAnalystAgent
)
# 技术面分析
market_analyst = MarketAnalystAgent()
report = market_analyst.analyze("600519.SH")
# 基本面分析
fund_analyst = FundamentalsAnalystAgent()
report = fund_analyst.analyze("600519.SH")
# 舆情分析
news_analyst = NewsAnalystAgent()
report = news_analyst.analyze("600519.SH", "贵州茅台")
数据工具
from trading_agents.tools import TushareTools, AKShareTools
# Tushare 数据
tushare = TushareTools(token)
data = tushare.get_stock_daily("600519.SH", days=60)
indicators = tushare.get_technical_indicators("600519.SH")
# AKShare 数据
akshare = AKShareTools()
news = akshare.get_stock_news("600519.SH", days=7)
sentiment = akshare.get_market_sentiment()
AgentScope 工具包
from trading_agents.tools import (
create_market_analyst_toolkit,
create_fundamentals_analyst_toolkit,
create_news_analyst_toolkit,
create_stock_toolkit
)
# 创建工具包
toolkit = create_stock_toolkit()
批量诊断
from trading_agents.batch_diagnose import batch_diagnose
stocks = ["600519.SH", "000858.SZ", "002594.SZ"]
results = batch_diagnose(stocks, output_dir="report/batch")
依赖安装
# 基础依赖
pip install agentscope>=0.0.5
pip install tushare>=1.2.89
pip install akshare>=1.12.0
pip install pandas>=2.0.0
pip install numpy>=1.24.0
pip install requests>=2.31.0
pip install openai>=1.0.0
pip install fpdf2>=2.8.0
pip install python-dotenv
# 阿里云夸克搜索 SDK（可选）
pip install alibabacloud_iqs20241111>=1.0.0
pip install alibabacloud_tea_openapi>=0.3.0
# Web 界面（可选）
pip install streamlit>=1.28.0
项目结构
Skill 目录结构 (OpenClaw 兼容)
trading-agents/ # 技能根目录
├── SKILL.md # Skill 说明文档 (必需)
├── __init__.py # Python 包标识 (OpenClaw 需要)
├── setup.py # 安装配置
└── scripts/ # 完整源代码
├── __init__.py
├── stock_advisor.py # 主系统入口
├── config.py # 系统配置
├── batch_diagnose.py # 批量诊断
├── streamlit_app.py # Web 界面
├── requirements.txt # 依赖清单
├── agents/
│ ├── __init__.py
│ ├── analysts.py # 分析师团队 (ReActAgent)
│ ├── researchers.py # 研究员团队 (AgentBase)
│ ├── trader.py # 交易员
│ ├── risk_managers.py # 风险管理团队
│ └── manager.py # 基金经理
└── tools/
├── __init__.py
├── tushare_tools.py # Tushare 数据接口
├── akshare_tools.py # AKShare 数据接口
└── toolkit.py # AgentScope 工具注册
移植到其他项目
只需复制整个 trading-agents 目录：
# 从源项目复制到目标项目
cp -r /source/project/.qoder/skills/trading-agents \
/target/project/.qoder/skills/
# 或在目标项目中克隆后复制
mkdir -p /target/project/.qoder/skills/
cp -r trading-agents /target/project/.qoder/skills/
注意事项
- API Token: 需要配置 TUSHARE_TOKEN 和 ALIYUN_BAILIAN_API_KEY
- 中文字体: PDF 生成需要系统中文字体支持
- 网络连接: 需要访问阿里云百炼 API
- 数据限制: Tushare 免费版有数据调用限制
- 执行时间: 完整诊断流程需要 10-15 分钟，建议使用后台运行模式
总结
为什么选择 Trading Agents？
✅ 一键完成所有角色 - 无需手动调用多个函数，一次诊断完成所有分析
✅ 自动化报告生成 - 自动生成 7 份 MD 报告和 1 份合并 PDF，无需手动整理
✅ 专业智能体团队 - 5 层决策流程，模拟专业投资机构的工作流
✅ 实时数据驱动 - 集成 Tushare/AKShare 获取最新市场数据
✅ 灵活可配置 - 支持多种模型、权重、辩论轮数等参数配置
快速上手
from trading_agents import StockAdvisorSystem
# 一行代码完成股票诊断
result = StockAdvisorSystem().diagnose("600519.SH")
# 一行代码保存所有报告
StockAdvisorSystem().save_report(result)
就这么简单！所有复杂的分析、辩论、决策过程都由智能体团队自动完成。