From 4776fc37ce2cee5d887bc2fc53c2711dc00d667c Mon Sep 17 00:00:00 2001 From: tinkle-community Date: Mon, 29 Dec 2025 00:28:20 +0800 Subject: [PATCH] feat: add metric formula tooltips with KaTeX rendering --- docs/research/AI-Trader-Analysis-Report.md | 2522 ++++++++++++++++++++ web/package-lock.json | 26 + web/package.json | 1 + web/src/components/BacktestPage.tsx | 21 +- web/src/components/MetricTooltip.tsx | 364 +++ web/src/components/PositionHistory.tsx | 82 +- 6 files changed, 2956 insertions(+), 60 deletions(-) create mode 100644 docs/research/AI-Trader-Analysis-Report.md create mode 100644 web/src/components/MetricTooltip.tsx diff --git a/docs/research/AI-Trader-Analysis-Report.md b/docs/research/AI-Trader-Analysis-Report.md new file mode 100644 index 00000000..f0ad4838 --- /dev/null +++ b/docs/research/AI-Trader-Analysis-Report.md @@ -0,0 +1,2522 @@ +# 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, "", "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. + - Bailey et al. "The Probability of Backtest Overfitting." Journal of Computational Finance, 2014. + +### 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 + diff --git a/web/package-lock.json b/web/package-lock.json index c89c1ff1..e23f5c5e 100644 --- a/web/package-lock.json +++ b/web/package-lock.json @@ -15,6 +15,7 @@ "clsx": "^2.1.1", "date-fns": "^4.1.0", "framer-motion": "^12.23.24", + "katex": "^0.16.27", "lightweight-charts": "^5.1.0", "lucide-react": "^0.552.0", "react": "^18.3.1", @@ -5793,6 +5794,31 @@ "node": ">=4.0" } }, + "node_modules/katex": { + "version": "0.16.27", + "resolved": "https://registry.npmjs.org/katex/-/katex-0.16.27.tgz", + "integrity": "sha512-aeQoDkuRWSqQN6nSvVCEFvfXdqo1OQiCmmW1kc9xSdjutPv7BGO7pqY9sQRJpMOGrEdfDgF2TfRXe5eUAD2Waw==", + "funding": [ + "https://opencollective.com/katex", + "https://github.com/sponsors/katex" + ], + "license": "MIT", + "dependencies": { + "commander": "^8.3.0" + }, + "bin": { + "katex": "cli.js" + } + }, + "node_modules/katex/node_modules/commander": { + "version": "8.3.0", + "resolved": "https://registry.npmjs.org/commander/-/commander-8.3.0.tgz", + "integrity": "sha512-OkTL9umf+He2DZkUq8f8J9of7yL6RJKI24dVITBmNfZBmri9zYZQrKkuXiKhyfPSu8tUhnVBB1iKXevvnlR4Ww==", + "license": "MIT", + "engines": { + "node": ">= 12" + } + }, "node_modules/keyv": { "version": "4.5.4", "resolved": "https://registry.npmjs.org/keyv/-/keyv-4.5.4.tgz", diff --git a/web/package.json b/web/package.json index b25e9cda..8bb7f7e6 100644 --- a/web/package.json +++ b/web/package.json @@ -21,6 +21,7 @@ "clsx": "^2.1.1", "date-fns": "^4.1.0", "framer-motion": "^12.23.24", + "katex": "^0.16.27", "lightweight-charts": "^5.1.0", "lucide-react": "^0.552.0", "react": "^18.3.1", diff --git a/web/src/components/BacktestPage.tsx b/web/src/components/BacktestPage.tsx index cb49d533..c359e4b5 100644 --- a/web/src/components/BacktestPage.tsx +++ b/web/src/components/BacktestPage.tsx @@ -43,6 +43,7 @@ import { useLanguage } from '../contexts/LanguageContext' import { t } from '../i18n/translations' import { confirmToast } from '../lib/notify' import { DecisionCard } from './DecisionCard' +import { MetricTooltip } from './MetricTooltip' import type { BacktestStatusPayload, BacktestPositionStatus, @@ -79,6 +80,8 @@ function StatCard({ suffix, trend, color = '#EAECEF', + metricKey, + language = 'en', }: { icon: typeof TrendingUp label: string @@ -86,6 +89,8 @@ function StatCard({ suffix?: string trend?: 'up' | 'down' | 'neutral' color?: string + metricKey?: string + language?: string }) { const trendColors = { up: '#0ECB81', @@ -103,6 +108,9 @@ function StatCard({ {label} + {metricKey && ( + + )}
@@ -1779,6 +1787,7 @@ export function BacktestPage() { label={language === 'zh' ? '当前净值' : 'Equity'} value={(status?.equity ?? 0).toFixed(2)} suffix="USDT" + language={language} /> = 0 ? 'up' : 'down'} color={(metrics?.total_return_pct ?? 0) >= 0 ? '#0ECB81' : '#F6465D'} + metricKey="total_return" + language={language} />
@@ -1856,16 +1871,18 @@ export function BacktestPage() { {metrics && (
-
+
{language === 'zh' ? '胜率' : 'Win Rate'} +
{(metrics.win_rate ?? 0).toFixed(1)}%
-
+
{language === 'zh' ? '盈亏因子' : 'Profit Factor'} +
{(metrics.profit_factor ?? 0).toFixed(2)} diff --git a/web/src/components/MetricTooltip.tsx b/web/src/components/MetricTooltip.tsx new file mode 100644 index 00000000..626a2a60 --- /dev/null +++ b/web/src/components/MetricTooltip.tsx @@ -0,0 +1,364 @@ +import { useState, useRef, useEffect, useCallback } from 'react' +import { createPortal } from 'react-dom' +import { HelpCircle } from 'lucide-react' +import katex from 'katex' +import 'katex/dist/katex.min.css' + +export interface MetricDefinition { + key: string + nameEn: string + nameZh: string + formula: string // LaTeX formula + descriptionEn: string + descriptionZh: string +} + +// Metric definitions with formulas +export const METRIC_DEFINITIONS: Record = { + total_return: { + key: 'total_return', + nameEn: 'Total Return', + nameZh: '总收益率', + formula: 'R_{total} = \\frac{V_{end} - V_{start}}{V_{start}} \\times 100\\%', + descriptionEn: 'Measures overall portfolio performance from start to end', + descriptionZh: '衡量投资组合从开始到结束的整体收益表现', + }, + annualized_return: { + key: 'annualized_return', + nameEn: 'Annualized Return', + nameZh: '年化收益率', + formula: 'R_{ann} = \\left(1 + R_{total}\\right)^{\\frac{252}{n}} - 1', + descriptionEn: 'Standardized yearly return rate (252 trading days)', + descriptionZh: '标准化年度收益率（按252个交易日计算）', + }, + max_drawdown: { + key: 'max_drawdown', + nameEn: 'Maximum Drawdown', + nameZh: '最大回撤', + formula: 'MDD = \\max_{t} \\left( \\frac{Peak_t - Trough_t}{Peak_t} \\right)', + descriptionEn: 'Largest peak-to-trough decline during the period', + descriptionZh: '期间内从峰值到谷底的最大跌幅', + }, + sharpe_ratio: { + key: 'sharpe_ratio', + nameEn: 'Sharpe Ratio', + nameZh: '夏普比率', + formula: 'SR = \\frac{\\bar{r} - r_f}{\\sigma}', + descriptionEn: 'Risk-adjusted return per unit of volatility (r̄=avg return, rf=risk-free rate, σ=std dev)', + descriptionZh: '单位波动风险下的超额收益（r̄=平均收益，rf=无风险利率，σ=标准差）', + }, + sortino_ratio: { + key: 'sortino_ratio', + nameEn: 'Sortino Ratio', + nameZh: '索提诺比率', + formula: 'Sortino = \\frac{\\bar{r} - r_f}{\\sigma_d}', + descriptionEn: 'Return per unit of downside risk (σd=downside deviation)', + descriptionZh: '单位下行风险的收益（σd=下行标准差）', + }, + calmar_ratio: { + key: 'calmar_ratio', + nameEn: 'Calmar Ratio', + nameZh: '卡玛比率', + formula: 'Calmar = \\frac{R_{ann}}{|MDD|}', + descriptionEn: 'Annualized return divided by maximum drawdown', + descriptionZh: '年化收益率与最大回撤的比值', + }, + win_rate: { + key: 'win_rate', + nameEn: 'Win Rate', + nameZh: '胜率', + formula: 'WinRate = \\frac{N_{win}}{N_{total}} \\times 100\\%', + descriptionEn: 'Percentage of profitable trades', + descriptionZh: '盈利交易占总交易数的百分比', + }, + profit_factor: { + key: 'profit_factor', + nameEn: 'Profit Factor', + nameZh: '盈亏比', + formula: 'PF = \\frac{\\sum Profits}{|\\sum Losses|}', + descriptionEn: 'Ratio of gross profit to gross loss', + descriptionZh: '总盈利与总亏损的比值', + }, + volatility: { + key: 'volatility', + nameEn: 'Volatility', + nameZh: '波动率', + formula: '\\sigma = \\sqrt{\\frac{1}{n}\\sum_{i=1}^{n}(r_i - \\bar{r})^2}', + descriptionEn: 'Standard deviation of returns', + descriptionZh: '收益率的标准差', + }, + var_95: { + key: 'var_95', + nameEn: 'VaR (95%)', + nameZh: '风险价值', + formula: 'P(R < VaR_{95\\%}) = 5\\%', + descriptionEn: '95% confidence level maximum expected loss', + descriptionZh: '95%置信水平下的最大预期损失', + }, + alpha: { + key: 'alpha', + nameEn: 'Alpha', + nameZh: '超额收益', + formula: '\\alpha = R_{portfolio} - R_{benchmark}', + descriptionEn: 'Excess return over benchmark', + descriptionZh: '相对于基准的超额收益', + }, + beta: { + key: 'beta', + nameEn: 'Beta', + nameZh: '贝塔系数', + formula: '\\beta = \\frac{Cov(R_p, R_m)}{Var(R_m)}', + descriptionEn: 'Portfolio sensitivity to market movements', + descriptionZh: '投资组合对市场波动的敏感度', + }, + information_ratio: { + key: 'information_ratio', + nameEn: 'Information Ratio', + nameZh: '信息比率', + formula: 'IR = \\frac{\\alpha}{\\sigma_{tracking}}', + descriptionEn: 'Alpha per unit of tracking error', + descriptionZh: '单位跟踪误差的超额收益', + }, + avg_trade_pnl: { + key: 'avg_trade_pnl', + nameEn: 'Avg Trade PnL', + nameZh: '平均盈亏', + formula: '\\bar{PnL} = \\frac{\\sum PnL_i}{N}', + descriptionEn: 'Average profit/loss per trade', + descriptionZh: '每笔交易的平均盈亏', + }, + expectancy: { + key: 'expectancy', + nameEn: 'Expectancy', + nameZh: '期望收益', + formula: 'E = (WinRate \\times \\bar{W}) - (LossRate \\times \\bar{L})', + descriptionEn: 'Expected return per trade', + descriptionZh: '每笔交易的期望收益', + }, +} + +interface FormulaRendererProps { + formula: string + displayMode?: boolean +} + +function FormulaRenderer({ formula, displayMode = true }: FormulaRendererProps) { + const containerRef = useRef(null) + + useEffect(() => { + if (containerRef.current) { + try { + katex.render(formula, containerRef.current, { + throwOnError: false, + displayMode, + output: 'html', + }) + } catch (e) { + console.error('KaTeX render error:', e) + containerRef.current.textContent = formula + } + } + }, [formula, displayMode]) + + return
+} + +interface TooltipPosition { + top: number + left: number + placement: 'top' | 'bottom' +} + +interface MetricTooltipProps { + metricKey: string + language?: string + size?: number + className?: string +} + +export function MetricTooltip({ + metricKey, + language = 'en', + size = 14, + className = '', +}: MetricTooltipProps) { + const [show, setShow] = useState(false) + const [position, setPosition] = useState({ top: 100, left: 100, placement: 'bottom' }) + const buttonRef = useRef(null) + const tooltipWidth = 340 + const tooltipHeight = 220 + + const metric = METRIC_DEFINITIONS[metricKey] + + const calculatePosition = useCallback(() => { + if (!buttonRef.current) return + + const rect = buttonRef.current.getBoundingClientRect() + const viewportHeight = window.innerHeight + const viewportWidth = window.innerWidth + + // Calculate center position (fixed positioning uses viewport coordinates) + let left = rect.left + rect.width / 2 - tooltipWidth / 2 + + // Clamp to viewport bounds with padding + const padding = 16 + left = Math.max(padding, Math.min(left, viewportWidth - tooltipWidth - padding)) + + // Decide placement: prefer bottom for reliability + const spaceBelow = viewportHeight - rect.bottom + + let placement: 'top' | 'bottom' = 'bottom' + let top: number + + if (spaceBelow >= tooltipHeight + 20) { + // Enough space below + placement = 'bottom' + top = rect.bottom + 8 + } else { + // Show above + placement = 'top' + top = Math.max(8, rect.top - tooltipHeight - 8) + } + + // Ensure top is never negative + top = Math.max(8, top) + + setPosition({ top, left, placement }) + }, []) + + const handleMouseEnter = useCallback(() => { + calculatePosition() + setShow(true) + }, [calculatePosition]) + + const handleMouseLeave = useCallback(() => { + setShow(false) + }, []) + + if (!metric) { + return null + } + + const name = language === 'zh' ? metric.nameZh : metric.nameEn + const description = language === 'zh' ? metric.descriptionZh : metric.descriptionEn + + const tooltipContent = ( +
setShow(true)} + onMouseLeave={() => setShow(false)} + style={{ + position: 'fixed', + top: `${position.top}px`, + left: `${position.left}px`, + width: `${tooltipWidth}px`, + zIndex: 99999, + pointerEvents: 'auto', + }} + > +
+ {/* Header */} +
+
+ + {name} + +
+ + {/* Formula */} +
+
+ {language === 'zh' ? '计算公式' : 'Formula'} +
+
+ +
+
+ + {/* Description */} +

+ {description} +

+
+
+ ) + + return ( + <> + + + {show && createPortal(tooltipContent, document.body)} + + ) +} + +// Convenience component for inline metric label with tooltip +interface MetricLabelProps { + metricKey: string + label?: string + language?: string + className?: string +} + +export function MetricLabel({ metricKey, label, language = 'en', className = '' }: MetricLabelProps) { + const metric = METRIC_DEFINITIONS[metricKey] + const displayLabel = label || (language === 'zh' ? metric?.nameZh : metric?.nameEn) || metricKey + + return ( + + {displayLabel} + + + ) +} diff --git a/web/src/components/PositionHistory.tsx b/web/src/components/PositionHistory.tsx index 4cf2d349..14bb88b0 100644 --- a/web/src/components/PositionHistory.tsx +++ b/web/src/components/PositionHistory.tsx @@ -2,6 +2,7 @@ import { useState, useEffect, useMemo } from 'react' import { api } from '../lib/api' import { useLanguage } from '../contexts/LanguageContext' import { t } from '../i18n/translations' +import { MetricTooltip } from './MetricTooltip' import type { HistoricalPosition, TraderStats, @@ -61,7 +62,8 @@ function StatCard({ color, icon, subtitle, - formula, + metricKey, + language = 'en', }: { title: string value: string | number @@ -69,10 +71,9 @@ function StatCard({ color?: string icon: string subtitle?: string - formula?: string + metricKey?: string + language?: string }) { - const [showTooltip, setShowTooltip] = useState(false) - return (
{title} - {formula && ( -
- setShowTooltip(true)} - onMouseLeave={() => setShowTooltip(false)} - > - ? - - {showTooltip && ( -
- {formula} -
- )} -
+ {metricKey && ( + )}
@@ -519,9 +498,7 @@ export function PositionHistory({ traderId }: PositionHistoryProps) { title={t('positionHistory.totalTrades', language)} value={stats.total_trades || 0} subtitle={t('positionHistory.winLoss', language, { win: stats.win_trades || 0, loss: stats.loss_trades || 0 })} - formula={language === 'zh' - ? '总交易次数 = 所有已平仓位数量' - : 'Total Trades = Count of all closed positions'} + language={language} /> = 0 ? '+' : '') + formatNumber(stats.total_pnl || 0)} color={(stats.total_pnl || 0) >= 0 ? '#0ECB81' : '#F6465D'} subtitle={`${t('positionHistory.fee', language)}: -${formatNumber(stats.total_fee || 0)}`} - formula={language === 'zh' - ? '总盈亏 = Σ(每笔已平仓位的 realized_pnl)\n不含手续费' - : 'Total P&L = Σ(realized_pnl of each closed position)\nExcluding fees'} + metricKey="total_return" + language={language} /> = 1.5 ? '#0ECB81' : (stats.profit_factor || 0) >= 1 ? '#F0B90B' : '#F6465D'} subtitle={t('positionHistory.profitFactorDesc', language)} - formula={language === 'zh' - ? '盈利因子 = 总盈利 / 总亏损\n>1.5 优秀, >1 盈利, <1 亏损' - : 'Profit Factor = Total Profit / Total Loss\n>1.5 Excellent, >1 Profitable, <1 Loss'} + metricKey="profit_factor" + language={language} /> = 1.5 ? '#0ECB81' : profitLossRatio >= 1 ? '#F0B90B' : '#F6465D'} subtitle={t('positionHistory.plRatioDesc', language)} - formula={language === 'zh' - ? `盈亏比 = 平均盈利 / 平均亏损\n= ${formatNumber(stats.avg_win || 0)} / ${formatNumber(stats.avg_loss || 0)}` - : `P/L Ratio = Avg Win / Avg Loss\n= ${formatNumber(stats.avg_win || 0)} / ${formatNumber(stats.avg_loss || 0)}`} + metricKey="expectancy" + language={language} />
)} @@ -581,9 +554,8 @@ export function PositionHistory({ traderId }: PositionHistoryProps) { value={(stats.sharpe_ratio || 0).toFixed(2)} color={(stats.sharpe_ratio || 0) >= 1 ? '#0ECB81' : (stats.sharpe_ratio || 0) >= 0 ? '#F0B90B' : '#F6465D'} subtitle={t('positionHistory.sharpeRatioDesc', language)} - formula={language === 'zh' - ? '夏普比率 = 平均收益 / 收益标准差\n衡量风险调整后的收益\n>1 良好, >2 优秀' - : 'Sharpe Ratio = Mean Return / Std Dev\nMeasures risk-adjusted return\n>1 Good, >2 Excellent'} + metricKey="sharpe_ratio" + language={language} /> = 0 ? '+' : '') + formatNumber((stats.total_pnl || 0) - (stats.total_fee || 0))} color={(stats.total_pnl || 0) - (stats.total_fee || 0) >= 0 ? '#0ECB81' : '#F6465D'} subtitle={t('positionHistory.netPnLDesc', language)} - formula={language === 'zh' - ? `净盈亏 = 总盈亏 - 手续费\n= ${formatNumber(stats.total_pnl || 0)} - ${formatNumber(stats.total_fee || 0)}` - : `Net P&L = Total P&L - Fees\n= ${formatNumber(stats.total_pnl || 0)} - ${formatNumber(stats.total_fee || 0)}`} + language={language} />
)}