技术原理核心

系统架构总览 (System Architecture Overview)

AI 对冲基金采用三层分层架构，将数据获取、智能分析和决策编排清晰分离。这种设计确保了系统的可维护性、可扩展性和可测试性。

架构分层

┌─────────────────────────────────────────────────────────────┐
│                    编排层 (Orchestration Layer)              │
│  ┌─────────────┐  ┌─────────────┐  ┌─────────────┐         │
│  │ LangGraph   │  │ State       │  │ Decision    │         │
│  │ State       │  │ Management  │  │ Aggregation │         │
│  │ Machine     │  │             │  │             │         │
│  └─────────────┘  └─────────────┘  └─────────────┘         │
├─────────────────────────────────────────────────────────────┤
│                     智能体层 (Agent Layer)                   │
│  ┌─────────────────────────────────────────────────────┐   │
│  │ 投资者智能体 (12 个)                                   │   │
│  │ Buffett | Graham | Wood | Burry | Munger | ...      │   │
│  └─────────────────────────────────────────────────────┘   │
│  ┌─────────────────────────────────────────────────────┐   │
│  │ 分析智能体 (4 个)                                      │   │
│  │ Fundamentals | Technicals | Sentiment | Valuation   │   │
│  └─────────────────────────────────────────────────────┘   │
│  ┌─────────────────────────────────────────────────────┐   │
│  │ 管理智能体 (2 个)                                      │   │
│  │ Risk Manager | Portfolio Manager                    │   │
│  └─────────────────────────────────────────────────────┘   │
├─────────────────────────────────────────────────────────────┤
│                      数据层 (Data Layer)                    │
│  ┌─────────────┐  ┌─────────────┐  ┌─────────────┐        │
│  │ Financial   │  │ yfinance    │  │ News API    │        │
│  │ Datasets    │  │ (Yahoo)     │  │ (Sentiment) │        │
│  │ API         │  │             │  │             │        │
│  └─────────────┘  └─────────────┘  └─────────────┘        │
└─────────────────────────────────────────────────────────────┘

核心设计哲学

1. 关注点分离：每层仅负责单一职责，数据层只管获取、智能体层只管分析、编排层只管协调
2. 智能体自治：每个智能体是独立的 Python 类，可单独测试、替换和扩展
3. 状态显式化：使用 LangGraph 的 StateGraph 显式定义状态流转，避免隐式全局状态

智能体系统设计 (Agent System Design)

智能体分类

系统共包含18 个专业化智能体，分为三大类：

1. 投资者人格智能体 (12 个)

每个智能体编码一位传奇投资者的投资哲学，通过系统提示词 (System Prompt) 实现差异化：

2. 专业分析智能体 (4 个)

3. 管理智能体 (2 个)

智能体实现模式

每个智能体遵循统一的接口规范：

# 概念性代码 - 展示智能体核心结构
class BaseAgent:
    def __init__(self, llm, system_prompt):
        self.llm = llm
        self.system_prompt = system_prompt
    
    def analyze(self, state: dict) -> dict:
        """分析当前状态并返回意见"""
        # 1. 从 state 提取相关数据
        # 2. 构造提示词
        # 3. 调用 LLM
        # 4. 解析响应
        # 5. 返回结构化意见
        pass

LangGraph 状态机编排 (LangGraph Orchestration)

为什么选择 LangGraph

传统多智能体系统（如简单的聊天循环）存在以下问题：

• 无限循环：智能体之间可能来回对话，无法终止
• 状态混乱：难以追踪当前分析进展到哪一步
• 难以调试：错误发生时无法定位是哪个环节的问题

LangGraph 通过显式状态图解决这些问题：

• 状态转换是预定义的，不会跳出图外
• 每个节点 (智能体) 的输入输出类型明确
• 支持条件分支和并行执行

状态图定义

stateDiagram-v2
    [*] --> FetchData
    
    state FetchData {
        [*] --> GetFundamentals
        GetFundamentals --> GetTechnicals
        GetTechnicals --> GetSentiment
        GetSentiment --> [*]
    }
    
    FetchData --> InvestorAnalysis
    
    state InvestorAnalysis {
        [*] --> BuffettAgent
        BuffettAgent --> GrahamAgent
        GrahamAgent --> WoodAgent
        WoodAgent --> BurryAgent
        BurryAgent --> [*]
    }
    
    InvestorAnalysis --> AnalysisAgents
    
    state AnalysisAgents {
        [*] --> FundamentalsAgent
        FundamentalsAgent --> TechnicalsAgent
        TechnicalsAgent --> ValuationAgent
        ValuationAgent --> SentimentAgent
        SentimentAgent --> [*]
    }
    
    AnalysisAgents --> RiskAssessment
    RiskAssessment --> PortfolioDecision
    PortfolioDecision --> [*]

决策流程时序图

sequenceDiagram
    participant User
    participant PM as Portfolio Manager
    participant RM as Risk Manager
    participant IA as Investor Agents
    participant AA as Analysis Agents
    participant Data as Data Layer
    
    User->>PM: 分析 AAPL
    PM->>Data: 获取财务/技术/情绪数据
    Data-->>PM: 返回股票数据
    
    PM->>IA: 并行调用 12 个投资者智能体
    par 并行分析
        IA->>IA: Buffett 分析
        IA->>IA: Graham 分析
        IA->>IA: Wood 分析
        IA->>IA: (其他投资者)
    end
    IA-->>PM: 返回投资意见
    
    PM->>AA: 调用专业分析智能体
    AA->>AA: 基本面/技术面/估值/情绪分析
    AA-->>PM: 返回分析评分
    
    PM->>RM: 请求风险评估
    RM->>RM: 计算 VaR、仓位限制
    RM-->>PM: 返回风险参数
    
    PM->>PM: 聚合所有意见 + 投票
    PM-->>User: 返回最终决策 (买入/卖出/持有)

数据流详解 (Data Flow Deep Dive)

完整数据流

flowchart TD
    A[用户输入股票代码] --> B[初始化 StateGraph]
    B --> C[数据获取节点]
    
    subgraph 数据获取
        C --> C1[Financial Datasets API]
        C --> C2[yfinance 价格数据]
        C --> C3[新闻 API 情绪数据]
        C1 & C2 & C3 --> D[合并到共享 State]
    end
    
    D --> E[投资者智能体节点]
    
    subgraph 投资者分析
        E --> E1[Buffett Agent]
        E --> E2[Graham Agent]
        E --> E3[Wood Agent]
        E --> E4[其他 9 个 Agent]
        E1 & E2 & E3 & E4 --> F[意见汇总到 State]
    end
    
    F --> G[专业分析节点]
    
    subgraph 专业分析
        G --> G1[Fundamentals Agent]
        G --> G2[Technicals Agent]
        G --> G3[Valuation Agent]
        G --> G4[Sentiment Agent]
        G1 & G2 & G3 & G4 --> H[评分汇总到 State]
    end
    
    H --> I[Risk Manager 节点]
    I --> I1[计算 VaR]
    I --> I2[设置仓位上限]
    I1 & I2 --> J[风险参数到 State]
    
    J --> K[Portfolio Manager 节点]
    K --> K1[聚合所有意见]
    K1 --> K2[加权投票]
    K2 --> K3[生成交易订单]
    
    K3 --> L[输出最终决策]
    L --> M[返回给用户]

State 数据结构

共享状态 (State) 是整个系统的”中枢神经系统”，包含：

# 简化的 State 结构
class HedgeFundState:
    ticker: str                    # 股票代码
    start_date: str               # 分析起始日期
    end_date: str                 # 分析结束日期
    
    # 原始数据
    fundamentals: dict            # 财务数据
    prices: DataFrame             # 价格历史
    sentiment: list               # 新闻情绪
    
    # 智能体意见
    investor_opinions: list       # 12 个投资者意见
    analysis_scores: dict         # 4 个专业分析评分
    risk_metrics: dict            # 风险参数
    
    # 最终决策
    decision: str                 # BUY/SELL/HOLD
    position_size: float          # 建议仓位
    reasoning: str                # 决策理由

关键组件详解 (Key Components)

1. LLM 抽象层

系统支持多种 LLM 提供商，通过统一接口调用：

def get_llm(provider: str, model: str):
    """工厂函数 - 根据配置返回 LLM 实例"""
    if provider == "openai":
        return ChatOpenAI(model=model, temperature=0.3)
    elif provider == "anthropic":
        return ChatAnthropic(model=model, temperature=0.3)
    elif provider == "ollama":
        return ChatOllama(model=model, temperature=0.3)
    # ... 其他提供商

设计要点：

• temperature=0.3 确保输出相对稳定（金融分析需要一致性）
• 支持 fallback 机制（OpenAI 失败时切换到 Anthropic）

2. 提示词工程

每个智能体的核心是其系统提示词，以 Buffett Agent 为例：

BUFFETT_PROMPT = """
你是沃伦·巴菲特，伯克希尔哈撒韦的 CEO，价值投资传奇人物。

投资哲学：
1. 寻找具有持久竞争优势 (护城河) 的企业
2. 关注 ROE、自由现金流、管理层质量
3. 只在价格低于内在价值时买入
4. 长期持有优秀企业

分析框架：
- 业务是否简单易懂？
- 是否有稳定的经营历史？
- 管理层是否诚信且能干？
- 价格是否有安全边际？

请用巴菲特的口吻和思维框架分析提供的股票数据。
"""

3. 投票聚合机制

最终决策通过加权投票产生：

def aggregate_votes(investor_opinions: list) -> str:
    """
    加权投票算法：
    - 每个投资者意见有权重 (默认 1.0)
    - 买入=+1, 持有=0, 卖出=-1
    - 加权求和，根据阈值决定最终决策
    """
    vote_score = sum(op.weight * op.vote for op in investor_opinions)
    
    if vote_score >= 5:
        return "STRONG_BUY"
    elif vote_score >= 2:
        return "BUY"
    elif vote_score <= -5:
        return "STRONG_SELL"
    elif vote_score <= -2:
        return "SELL"
    else:
        return "HOLD"

技术选型理由 (Technology Choices)

参考资料 (References)

• LangGraph Documentation - 官方文档
• LangChain Multi-Agent Patterns - 多智能体模式
• virattt/ai-hedge-fund src/agents - 智能体实现源码
• Building Multi-Agent Systems with LangGraph - 架构解析