10.10 PrimoAgent - 轻量级多智能体股票分析系统

本节概述

在深入学习了 TradingAgent 这个复杂的15节点系统后，我们来看一个更轻量但同样强大的替代方案——PrimoAgent。这是一个基于 LangGraph 的顺序流水线系统，通过4个专业化智能体协作完成股票分析和交易信号生成。

项目地址: https://github.com/ivebotunac/PrimoAgent

项目定位

PrimoAgent 是一个 AI 驱动的股票分析系统，旨在提供每日交易洞察和预测次日价格走势。该平台将自然语言处理(NLP)与技术分析和投资组合管理相结合，以增强股票市场的决策能力，最大限度降低风险。

核心特点

顺序流水线架构: 4个智能体按序执行，每个建立在前一个的输出之上
7维NLP特征提取: 从金融新闻中提取量化情感指标
风险评估与仓位管理: 智能计算置信度和仓位大小
回测框架: 包含完整的性能评估和可视化

系统架构

整体流程

text

┌─────────────────────────────────────────────────────────────────┐
│                    PrimoAgent 顺序流水线                          │
│                                                                 │
│   用户输入 (股票代码 + 日期范围)                                    │
│         ↓                                                       │
│   ┌─────────────────┐                                           │
│   │ Data Collection │ ← yFinance + Finnhub API                  │
│   │     Agent       │   获取市场数据和公司信息                      │
│   └────────┬────────┘                                           │
│            ↓                                                    │
│   ┌─────────────────┐                                           │
│   │   Technical     │ ← 计算6大技术指标                           │
│   │ Analysis Agent  │   SMA, RSI, MACD, BB, ADX, CCI            │
│   └────────┬────────┘                                           │
│            ↓                                                    │
│   ┌─────────────────┐                                           │
│   │     News        │ ← 7维NLP情感分析                           │
│   │ Intelligence    │   新闻相关性、情绪、价格影响等                 │
│   └────────┬────────┘                                           │
│            ↓                                                    │
│   ┌─────────────────┐                                           │
│   │   Portfolio     │ → 生成交易信号                              │
│   │ Manager Agent   │   BUY/SELL/HOLD + 置信度 + 仓位             │
│   └─────────────────┘                                           │
│         ↓                                                       │
│   输出: 每日分析CSV + 回测报告                                      │
│                                                                 │
└─────────────────────────────────────────────────────────────────┘

项目结构

text

PrimoAgent/
├── main.py                    # 主分析脚本
├── backtest.py                # 回测脚本
├── requirements.txt           # 依赖列表
├── .env.example               # API密钥模板
│
├── src/
│   ├── agents/                # 4个智能体模块
│   │   ├── data_collection_agent.py
│   │   ├── technical_analysis_agent.py
│   │   ├── news_intelligence_agent.py
│   │   └── portfolio_manager_agent.py
│   │
│   ├── workflows/             # LangGraph状态管理
│   │   ├── state.py           # AgentState定义
│   │   └── workflow.py        # 图构建与执行
│   │
│   ├── prompts/               # LLM提示词模板
│   ├── tools/                 # 外部API集成
│   ├── config/                # 配置管理
│   └── backtesting/           # 回测引擎
│
└── output/
    ├── csv/                   # 每日分析结果
    └── backtests/             # 回测图表和报告

四大智能体详解

1. Data Collection Agent (数据采集智能体)

职责: 收集实时市场数据和公司基本面信息

数据来源:

API	数据类型
yFinance	股票价格、成交量、历史数据
Finnhub	公司简介、财务指标、新闻

输出字段:

当前价格、开盘价、最高价、最低价
成交量、52周高低点
P/E比率、市值、股息率
公司名称、行业、业务描述

2. Technical Analysis Agent (技术分析智能体)

职责: 计算6大技术指标用于趋势评估

技术指标详解:

指标	全称	作用
SMA	Simple Moving Average	识别趋势方向
RSI	Relative Strength Index	判断超买/超卖
MACD	Moving Average Convergence Divergence	动量和趋势信号
BB	Bollinger Bands	波动性和价格通道
ADX	Average Directional Index	趋势强度测量
CCI	Commodity Channel Index	周期性买卖信号

信号解读示例:

text

RSI = 72 → 超买区域，可能回调
MACD 向上交叉 → 看涨信号
ADX > 25 → 趋势明显

3. News Intelligence Agent (新闻情报智能体)

职责: 使用7维NLP指标分析金融新闻

这是 PrimoAgent 最独特的部分——将新闻转化为量化指标。

7维NLP特征 (取值范围: -2 到 +2):

特征	含义	示例
news_relevance	新闻与公司的相关性	+2: 直接提及公司业绩
sentiment	整体情感倾向	-2: 极度负面，+2: 极度正面
price_impact_potential	价格影响潜力	+2: 可能引发大幅波动
trend_direction	趋势方向指示	+1: 看涨，-1: 看跌
earnings_impact	盈利影响预期	+2: 预计大幅提升盈利
investor_confidence	投资者信心变化	-1: 信心下降
risk_profile_change	风险特征变化	-2: 风险大幅增加

处理流程:

text

新闻获取 (Finnhub API)
    ↓
内容过滤 (排除广告/无关内容)
    ↓
重要性评分 (0.0-1.0)
    ↓
内容增强 (抓取全文+摘要)
    ↓
NLP特征提取 (7个指标)

4. Portfolio Manager Agent (投资组合管理智能体)

职责: 综合所有输入，生成交易信号

输入数据:

技术指标 (来自 Technical Analysis Agent)
基本面数据 (来自 Data Collection Agent)
NLP特征 (来自 News Intelligence Agent)
历史交易决策 (来自CSV记录)

输出格式:

字段	取值范围	说明
trading_signal	BUY / SELL / HOLD	交易方向
confidence_level	0.1, 0.2, ... 1.0	置信度(10档)
position_size	10, 20, ... 100	仓位百分比(10档)

决策逻辑:

python

# 简化的决策流程
if technical_bullish and sentiment > 0 and confidence > 0.7:
    signal = "BUY"
    position = calculate_position(confidence, risk_profile)
elif technical_bearish or sentiment < -1:
    signal = "SELL"
else:
    signal = "HOLD"

LangGraph 实现

AgentState 状态定义

python

from typing_extensions import TypedDict
from typing import List, Dict, Any, Optional

class AgentState(TypedDict):
    """PrimoAgent 统一状态结构"""

    # 会话信息
    session_id: str                    # 唯一工作流标识
    symbols: List[str]                 # 分析的股票代码
    current_step: str                  # 当前工作流阶段
    analysis_date: str                 # 分析日期 (YYYY-MM-DD)

    # 各智能体输出
    data_collection_results: Optional[Dict[str, Any]]    # 市场数据
    technical_analysis_results: Optional[Dict[str, Any]] # 技术指标
    news_intelligence_results: Optional[Dict[str, Any]]  # 新闻NLP特征
    portfolio_manager_results: Optional[Dict[str, Any]]  # 交易建议

    # 错误处理
    error: Optional[str]

工作流构建

python

from langgraph.graph import StateGraph, START, END

def create_workflow():
    """创建 PrimoAgent 工作流"""

    # 初始化状态图
    workflow = StateGraph(AgentState)

    # 添加4个智能体节点
    workflow.add_node("data_collection", data_collection_node)
    workflow.add_node("technical_analysis", technical_analysis_node)
    workflow.add_node("news_intelligence", news_intelligence_node)
    workflow.add_node("portfolio_manager", portfolio_manager_node)

    # 设置顺序执行边
    workflow.add_edge(START, "data_collection")
    workflow.add_edge("data_collection", "technical_analysis")
    workflow.add_edge("technical_analysis", "news_intelligence")
    workflow.add_edge("news_intelligence", "portfolio_manager")
    workflow.add_edge("portfolio_manager", END)

    return workflow.compile()

流程图:

mermaid

graph LR
    START --> DC[Data Collection]
    DC --> TA[Technical Analysis]
    TA --> NI[News Intelligence]
    NI --> PM[Portfolio Manager]
    PM --> END

节点实现示例

python

async def data_collection_node(state: AgentState) -> Dict:
    """数据采集节点"""
    print(f"[Data Collection] 开始采集 {state['symbols']} 的数据...")

    results = {}
    for symbol in state["symbols"]:
        # 获取价格数据
        price_data = yfinance.get_stock_data(symbol)
        # 获取公司信息
        company_info = finnhub.get_company_profile(symbol)

        results[symbol] = {
            "price": price_data,
            "company": company_info,
            "current_price": price_data["close"][-1]
        }

    print(f"[Data Collection] 当前价格: {results[symbol]['current_price']}")

    return {
        "data_collection_results": results,
        "current_step": "data_collection_complete"
    }

回测结果分析

整体收益对比

收益对比

各股票详细表现

META (Meta Platforms)

META回测结果

指标	PrimoAgent	Buy and Hold
总收益	31.97%	22.16%
夏普比率	2.899	1.45
最大回撤	8.5%	15.2%
波动率	11.02%	22.54%

分析: META 是 PrimoAgent 表现最佳的标的，超额收益近10%，且波动率降低一半以上。

NFLX (Netflix)

NFLX回测结果

指标	PrimoAgent	Buy and Hold
总收益	28.61%	49.51%
夏普比率	2.570	1.82
最大回撤	6.8%	18.3%
波动率	11.13%	27.21%

分析: 虽然绝对收益低于被动持有，但风险调整后收益(夏普比率)更优。

AAPL (Apple)

AAPL回测结果

指标	PrimoAgent	Buy and Hold
总收益	-6.88%	-1.23%
最大回撤	9.82%	29.76%
波动率	10.52%	21.79%

分析: 两者均亏损，但 PrimoAgent 成功将最大回撤控制在10%以内。

TSLA (Tesla)

TSLA回测结果

指标	PrimoAgent	Buy and Hold
总收益	-3.35%	-16.59%
最大回撤	12.4%	45.2%
波动率	21.47%	75.75%

分析: TSLA 是高波动股票，PrimoAgent 显著降低了下跌风险。

回测总结

PrimoAgent 的优势:

波动率控制: 所有股票的波动率都大幅降低 (6.52%-21.47% vs 21.79%-75.75%)
回撤保护: 最大回撤普遍低于被动持有 (WMT: 4.74% vs 21.73%)
风险调整收益: 夏普比率在多数情况下更优

适用场景:

风险厌恶型投资者
追求稳定收益而非最大化回报
需要自动化风险管理

PrimoAgent vs TradingAgent 对比

架构对比

维度	PrimoAgent	TradingAgent
智能体数量	4个	15个节点
执行模式	顺序流水线	多阶段+循环
循环数量	0个	6个
工作流类型	单一线性	复杂分支
辩论机制	无	牛熊辩论 + 风险三方辩论
执行时间	约30秒	约160秒

功能对比

text

┌────────────────────────────────────────────────────────────────────┐
│                         功能对比                                     │
├────────────────────────────────────────────────────────────────────┤
│                                                                    │
│   PrimoAgent                    TradingAgent                       │
│   ──────────                    ────────────                       │
│                                                                    │
│   ┌─────────────┐               ┌─────────────┐                    │
│   │Data Collect │               │Market Analyst│ ┐                 │
│   └──────┬──────┘               │Social Analyst│ │ 4个分析师       │
│          ↓                      │News Analyst  │ │ 并行工作        │
│   ┌─────────────┐               │Fund. Analyst │ ┘                 │
│   │Tech Analysis│               └──────┬───────┘                   │
│   └──────┬──────┘                      ↓                           │
│          ↓                      ┌─────────────┐                    │
│   ┌─────────────┐               │Bull vs Bear │ 辩论循环           │
│   │News Intel.  │               │Research Mgr │                    │
│   └──────┬──────┘               └──────┬──────┘                    │
│          ↓                             ↓                           │
│   ┌─────────────┐               ┌─────────────┐                    │
│   │Portfolio Mgr│               │   Trader    │                    │
│   └─────────────┘               └──────┬──────┘                    │
│                                        ↓                           │
│                                 ┌─────────────┐                    │
│                                 │Risky→Safe→  │ 风险三方辩论       │
│                                 │Neutral→Judge│                    │
│                                 └─────────────┘                    │
│                                                                    │
└────────────────────────────────────────────────────────────────────┘

技术栈对比

技术	PrimoAgent	TradingAgent
核心框架	LangGraph	LangGraph
状态管理	TypedDict	TypedDict + 嵌套State
LLM	OpenAI GPT	多模型支持
数据源	yFinance + Finnhub	多源 (含社交媒体)
回测	内置完整框架	需外部工具
持久化	CSV	ChromaDB

设计理念对比

理念	PrimoAgent	TradingAgent
复杂度	简单直接	模拟真实交易公司
决策过程	单一智能体决策	多方辩论制衡
可解释性	中等	高 (完整推理链)
扩展性	添加智能体简单	需修改Graph结构
学习曲线	低	高

性能对比

指标	PrimoAgent	TradingAgent
执行速度	约30秒/股票	约160秒/股票
API调用	4-8次	20+次
LLM Token	中等	高
准确率	META: 31.97%	AAPL: 26.62%

适用场景

text

PrimoAgent 适合:
├── 快速原型开发
├── 学习LangGraph基础
├── 低延迟要求场景
├── 单一投资策略
└── 资源受限环境

TradingAgent 适合:
├── 生产级交易系统
├── 需要多方验证的决策
├── 高价值交易
├── 需要可解释性的场景
└── 模拟真实交易公司流程

快速开始

环境配置

bash

# 克隆仓库
git clone https://github.com/ivebotunac/PrimoAgent.git
cd PrimoAgent

# 创建虚拟环境
python3 -m venv venv
source venv/bin/activate  # Windows: venv\Scripts\activate

# 安装依赖
pip install -r requirements.txt

# 配置API密钥
cp .env.example .env

必需的API密钥

text

# .env 文件
OPENAI_API_KEY=sk-xxx
FINNHUB_API_KEY=xxx
FIRECRAWL_API_KEY=xxx
PERPLEXITY_API_KEY=xxx

运行分析

bash

# 运行主分析
python main.py

# 交互式输入
# Stock symbol: AAPL
# Start date (YYYY-MM-DD): 2024-10-01
# End date (YYYY-MM-DD): 2024-12-01

运行回测

bash

python backtest.py

技术亮点

1. 7维NLP情感分析

PrimoAgent 最独特的创新是将新闻情感量化为7个维度，而非简单的正/负/中性分类。

python

# 传统情感分析
sentiment = "positive"  # 信息量有限

# PrimoAgent 7维分析
nlp_features = {
    "news_relevance": 2,        # 高度相关
    "sentiment": 1,             # 轻微正面
    "price_impact_potential": 2, # 高影响潜力
    "trend_direction": 1,       # 看涨
    "earnings_impact": 0,       # 无明显影响
    "investor_confidence": 1,   # 信心提升
    "risk_profile_change": -1   # 风险略增
}

2. 置信度驱动的仓位管理

python

# 置信度与仓位映射
confidence_to_position = {
    0.1: 10,   # 低置信度对应小仓位
    0.5: 50,   # 中置信度对应中仓位
    1.0: 100,  # 高置信度对应满仓
}

3. 顺序流水线的简洁性

相比 TradingAgent 的复杂循环，PrimoAgent 采用纯顺序执行，代码更易理解和维护。

扩展建议

添加新的技术指标

python

# src/agents/technical_analysis_agent.py
def calculate_indicators(data):
    indicators = {
        "SMA": calculate_sma(data, period=20),
        "RSI": calculate_rsi(data, period=14),
        # 添加新指标
        "OBV": calculate_obv(data),  # 成交量指标
        "ATR": calculate_atr(data),  # 波动率指标
    }
    return indicators

添加辩论机制

python

# 参考 TradingAgent 的设计
workflow.add_node("bull_analyst", bull_node)
workflow.add_node("bear_analyst", bear_node)

# 添加辩论循环
workflow.add_conditional_edges(
    "bull_analyst",
    should_continue_debate,
    ["bear_analyst", "portfolio_manager"]
)

集成更多数据源

python

# 添加社交媒体情感
def get_social_sentiment(symbol):
    twitter_data = twitter_api.search(symbol)
    reddit_data = reddit_api.search(symbol)
    return aggregate_sentiment(twitter_data, reddit_data)

本节小结

通过本节学习，你应该掌握:

PrimoAgent 的4智能体顺序流水线架构
7维NLP情感分析的创新方法
LangGraph 状态管理和工作流构建
PrimoAgent 与 TradingAgent 的详细对比
回测结果的解读和策略评估

核心收获:

简单也可以强大: PrimoAgent 证明了不需要复杂的循环和辩论机制也能构建有效的交易系统
NLP特征工程的价值: 7维情感分析比简单分类提供更丰富的信息
风险管理优先: PrimoAgent 的设计哲学是控制风险而非最大化收益

上一节: 10.9 本章小结

返回目录: 10.0 本章介绍

项目地址: PrimoAgent GitHub

最后更新: 2025年12月作者: Bryce Wang

10.10 PrimoAgent - 轻量级多智能体股票分析系统 ​

本节概述 ​

项目定位 ​

核心特点 ​

系统架构 ​

整体流程 ​

项目结构 ​

四大智能体详解 ​

1. Data Collection Agent (数据采集智能体) ​

2. Technical Analysis Agent (技术分析智能体) ​

3. News Intelligence Agent (新闻情报智能体) ​

4. Portfolio Manager Agent (投资组合管理智能体) ​

LangGraph 实现 ​

AgentState 状态定义 ​

工作流构建 ​

节点实现示例 ​

回测结果分析 ​

整体收益对比 ​

各股票详细表现 ​

META (Meta Platforms) ​

NFLX (Netflix) ​

AAPL (Apple) ​

TSLA (Tesla) ​

回测总结 ​

PrimoAgent vs TradingAgent 对比 ​

架构对比 ​

功能对比 ​

技术栈对比 ​

设计理念对比 ​

性能对比 ​

适用场景 ​

快速开始 ​

环境配置 ​

必需的API密钥 ​

运行分析 ​

运行回测 ​

技术亮点 ​

1. 7维NLP情感分析 ​

2. 置信度驱动的仓位管理 ​

3. 顺序流水线的简洁性 ​

扩展建议 ​

添加新的技术指标 ​

添加辩论机制 ​

集成更多数据源 ​

本节小结 ​

10.10 PrimoAgent - 轻量级多智能体股票分析系统

本节概述

项目定位

核心特点

系统架构

整体流程

项目结构

四大智能体详解

1. Data Collection Agent (数据采集智能体)

2. Technical Analysis Agent (技术分析智能体)

3. News Intelligence Agent (新闻情报智能体)

4. Portfolio Manager Agent (投资组合管理智能体)

LangGraph 实现

AgentState 状态定义

工作流构建

节点实现示例

回测结果分析

整体收益对比

各股票详细表现

META (Meta Platforms)

NFLX (Netflix)

AAPL (Apple)

TSLA (Tesla)

回测总结

PrimoAgent vs TradingAgent 对比

架构对比

功能对比

技术栈对比

设计理念对比

性能对比

适用场景

快速开始

环境配置

必需的API密钥

运行分析

运行回测

技术亮点

1. 7维NLP情感分析

2. 置信度驱动的仓位管理

3. 顺序流水线的简洁性

扩展建议

添加新的技术指标

添加辩论机制

集成更多数据源

本节小结