10.11 FinRobot - AI4Finance 多智能体金融分析平台

本节概述

在学习了 TradingAgent 和 PrimoAgent 之后，我们来看另一个重要的开源金融智能体项目——FinRobot。这是由 AI4Finance Foundation 开发的企业级多智能体平台，采用四层架构设计，支持多种 LLM 和丰富的金融数据源。

项目地址: https://github.com/AI4Finance-Foundation/FinRobot

论文地址: arXiv:2405.14767

项目定位

FinRobot 是一个超越 FinGPT 的 AI 智能体平台，专为金融应用精心设计。它整合了多种 AI 技术，不仅限于语言模型，旨在民主化金融 AI 技术，让专业分析师和普通用户都能使用强大的 AI 金融分析工具。

核心愿景

降低门槛: 让非技术人员也能使用高级金融 AI
开放生态: 开源平台，促进社区协作
企业级: 支持生产环境部署
可扩展: 插件式架构，易于添加新功能

四层架构设计

FinRobot 采用分层架构，每层专注特定职责：

FinRobot 生态系统

架构层次详解

text

┌─────────────────────────────────────────────────────────────────┐
│          Layer 1: Financial AI Agents Layer                      │
│  ┌─────────────────────────────────────────────────────────┐    │
│  │  Market Forecaster | Financial Analyst | Trade Strategist│    │
│  │  ─────────────────────────────────────────────────────── │    │
│  │  Financial Chain-of-Thought (CoT) Prompting              │    │
│  │  Complex Analysis Decomposition                          │    │
│  └─────────────────────────────────────────────────────────┘    │
├─────────────────────────────────────────────────────────────────┤
│          Layer 2: Financial LLMs Algorithms Layer                │
│  ┌─────────────────────────────────────────────────────────┐    │
│  │  Domain-Specific Model Configuration                     │    │
│  │  Task-Tailored Strategy Selection                        │    │
│  │  Global Market Analysis Adaptation                       │    │
│  └─────────────────────────────────────────────────────────┘    │
├─────────────────────────────────────────────────────────────────┤
│          Layer 3: LLMOps and DataOps Layer                       │
│  ┌─────────────────────────────────────────────────────────┐    │
│  │  Multi-source LLM Integration                            │    │
│  │  Model Training & Fine-tuning                            │    │
│  │  Task-Relevant Data Pipeline                             │    │
│  └─────────────────────────────────────────────────────────┘    │
├─────────────────────────────────────────────────────────────────┤
│          Layer 4: Multi-source LLM Foundation Models             │
│  ┌─────────────────────────────────────────────────────────┐    │
│  │  OpenAI GPT-4 | Claude | Llama | FinGPT | Ollama         │    │
│  │  Plug-and-Play Model Integration                         │    │
│  └─────────────────────────────────────────────────────────┘    │
└─────────────────────────────────────────────────────────────────┘

层级	职责	关键组件
Layer 1	金融 AI 智能体	CoT 推理、复杂分析分解
Layer 2	金融 LLM 算法	领域特定配置、策略选择
Layer 3	LLMOps/DataOps	多源集成、训练微调
Layer 4	基础模型	多 LLM 支持、插件式架构

智能体工作流: Perception-Brain-Action

智能体工作流

FinRobot 的智能体采用经典的感知-思考-行动三阶段工作流：

1. Perception (感知阶段)

职责: 捕获多模态金融数据

数据类型:

市场数据流 (实时价格、成交量)
新闻和公告 (SEC 文件、财报)
经济指标 (GDP、利率、通胀)
另类数据 (社交媒体、Reddit)

2. Brain (思考阶段)

职责: 使用 LLM 和 Financial CoT 处理数据

处理流程:

text

原始数据 → 数据预处理 → LLM 推理 → Financial CoT → 结构化指令

Financial Chain-of-Thought (CoT):

将复杂金融问题分解为逻辑步骤：

text

问题: "分析 Apple 的投资价值"
    ↓
Step 1: 收集财务数据 (营收、利润、现金流)
    ↓
Step 2: 计算估值指标 (P/E、P/B、DCF)
    ↓
Step 3: 对比行业基准
    ↓
Step 4: 评估风险因素
    ↓
Step 5: 综合投资建议

3. Action (行动阶段)

职责: 执行指令，产生输出

输出类型:

交易信号和执行
投资组合调整
研究报告生成
风险预警

Smart Scheduler 智能调度器

智能调度器

Smart Scheduler 是 FinRobot 的任务编排核心，包含四个关键组件：

组件详解

组件	职责	实现方式
Director Agent	任务分配主管	分析任务需求，分派给合适智能体
Agent Registration	智能体注册中心	追踪可用智能体及其能力
Agent Adaptor	智能体适配器	定制智能体功能，匹配任务需求
Task Manager	任务管理器	维护微调后的智能体，管理执行队列

调度流程

text

用户请求
    ↓
Director Agent 分析任务
    ↓
查询 Agent Registration 获取可用智能体
    ↓
Agent Adaptor 定制功能
    ↓
Task Manager 分配执行
    ↓
智能体执行任务
    ↓
返回结果

项目结构

text

FinRobot/
├── finrobot/                    # 核心包
│   ├── agents/                  # 智能体实现
│   │   ├── agent_library.py     # 10种角色定义 (6KB)
│   │   ├── workflow.py          # 工作流编排 (15KB)
│   │   ├── prompts.py           # 提示词模板
│   │   └── utils.py             # 工具函数
│   │
│   ├── data_source/             # 数据源集成
│   │   ├── finnhub_utils.py     # Finnhub API (10.6KB)
│   │   ├── finnlp_utils.py      # FinNLP 工具 (14.3KB)
│   │   ├── fmp_utils.py         # Financial Modeling Prep (11.3KB)
│   │   ├── sec_utils.py         # SEC 文件 (7.6KB)
│   │   ├── yfinance_utils.py    # Yahoo Finance (4.3KB)
│   │   └── reddit_utils.py      # Reddit 数据 (4.1KB)
│   │
│   ├── functional/              # 功能模块
│   │   ├── analyzer.py          # 财务分析 (23KB) ⭐
│   │   ├── quantitative.py      # 量化分析 (7.3KB)
│   │   ├── charting.py          # 图表可视化 (8.7KB)
│   │   ├── reportlab.py         # PDF报告生成 (15.6KB)
│   │   ├── rag.py               # RAG 检索 (3.1KB)
│   │   └── ragquery.py          # RAG 查询 (9.6KB)
│   │
│   ├── toolkits.py              # 工具包
│   └── utils.py                 # 通用工具
│
├── tutorials_beginner/          # 入门教程
│   ├── agent_annual_report.ipynb
│   ├── agent_fingpt_forecaster.ipynb
│   ├── agent_rag_earnings_call_sec_filings.ipynb
│   └── ollama function call.ipynb
│
├── tutorials_advanced/          # 高级教程
├── configs/                     # 配置文件
├── experiments/                 # 实验代码
└── report/                      # 报告输出

十大智能体角色

FinRobot 预定义了10种专业角色：

技术角色 (4种)

角色	职责
Software_Developer	软件开发和系统集成
Programmer	编程和代码实现
IT_Specialist	技术支持和基础设施
AI_Engineer	AI/ML 模型开发

分析角色 (2种)

角色	职责
Data_Analyst	数据分析和可视化
Statistician	统计建模和假设检验

金融角色 (4种)

角色	职责	配备工具
Accountant	财务报表分析	-
Financial_Analyst	财务建模和估值	-
Market_Analyst	市场数据分析	Finnhub, yFinance
Expert_Investor	投资策略和报告	SEC, PDF生成, 图表

Expert_Investor 详解

这是功能最全面的角色：

python

{
    "name": "Expert_Investor",
    "profile": "具有精湛分析能力的投资专家...",
    "toolkits": [
        "get_sec_report",      # SEC报告获取
        "get_pdf",             # PDF生成
        "plot_chart",          # 图表绘制
        "analyze_report"       # 报告分析
    ]
}

数据源集成

FinRobot 支持6大数据源：

数据源对比

数据源	数据类型	代码文件
Finnhub	实时行情、新闻、基本面	finnhub_utils.py
Yahoo Finance	历史价格、财务报表	yfinance_utils.py
FMP	综合财务指标	fmp_utils.py
SEC Edgar	监管文件 (10-K, 10-Q)	sec_utils.py
FinNLP	金融 NLP 处理	finnlp_utils.py
Reddit	另类数据、情绪	reddit_utils.py

数据流程

text

┌─────────────────────────────────────────────────────────────────┐
│                         数据采集层                                │
│                                                                 │
│   ┌─────────┐  ┌─────────┐  ┌─────────┐  ┌─────────┐           │
│   │ Finnhub │  │ yFinance│  │   FMP   │  │   SEC   │           │
│   └────┬────┘  └────┬────┘  └────┬────┘  └────┬────┘           │
│        │            │            │            │                 │
│        └────────────┼────────────┼────────────┘                 │
│                     ↓                                           │
│              ┌─────────────┐                                    │
│              │  数据标准化   │                                    │
│              └──────┬──────┘                                    │
│                     ↓                                           │
│              ┌─────────────┐                                    │
│              │  智能体消费   │                                    │
│              └─────────────┘                                    │
└─────────────────────────────────────────────────────────────────┘

财务分析功能 (analyzer.py)

这是 FinRobot 的核心分析模块，包含丰富的财务分析函数：

报表分析函数

函数	用途
`analyze_income_stmt()`	收入趋势、成本控制、利润率
`analyze_balance_sheet()`	资产结构、流动性、偿债能力
`analyze_cash_flow()`	经营/投资/融资现金流
`analyze_segment_stmt()`	业务分部表现

综合分析函数

函数	用途
`income_summarization()`	收入报表总结
`get_risk_assessment()`	风险评估 (Top 3)
`get_competitors_analysis()`	竞争对手对比
`get_key_data()`	关键财务指标

使用示例

python

from finrobot.functional.analyzer import (
    analyze_income_stmt,
    get_risk_assessment,
    get_competitors_analysis
)

# 分析收入报表
income_analysis = analyze_income_stmt(
    ticker="AAPL",
    fiscal_year=2024
)

# 获取风险评估
risks = get_risk_assessment(
    ticker="AAPL",
    top_n=3,
    include_industry=True
)

# 竞争对手分析
competitors = get_competitors_analysis(
    ticker="AAPL",
    metrics=["ebitda_margin", "revenue_growth", "roic"]
)

三大核心智能体应用

1. Market Forecaster Agent (市场预测智能体)

市场预测演示

功能: 预测股票价格走势

输入:

公司财务数据
新闻和公告
技术指标

输出:

价格预测 (涨/跌/持平)
置信度评分
关键影响因素

2. Financial Analyst Agent (财务分析智能体)

财务分析演示

功能: 生成股权研究报告

输入:

10-K 年度报告
财务报表
市场数据

输出:

完整的 PDF 研究报告
估值分析
投资建议

3. Trade Strategist Agent (交易策略智能体)

功能: 开发多模态交易策略

输入:

技术图表
基本面数据
情绪指标

输出:

交易策略
入场/出场点位
风险管理建议

工作流实现

FinRobot 使用 AutoGen 框架实现智能体编排：

单智能体模式

python

class SingleAssistant:
    """单智能体对话模式"""

    def __init__(self, agent_config):
        self.user_proxy = UserProxyAgent(...)
        self.assistant = FinRobotAssistant(agent_config)

    def chat(self, message):
        # 用户代理发起对话
        self.user_proxy.initiate_chat(
            self.assistant,
            message=message
        )
        # 持续对话直到终止信号
        while not self.is_terminated():
            response = self.assistant.generate_reply()
            self.process_response(response)

多智能体模式

python

class MultiAssistant:
    """多智能体协作模式"""

    def __init__(self, agents_config):
        self.agents = [FinRobotAgent(c) for c in agents_config]
        self.group_chat = GroupChat(
            agents=self.agents,
            speaker_selection="custom"  # 自定义发言选择
        )

    def select_speaker(self, messages):
        """基于消息历史选择下一个发言者"""
        last_message = messages[-1]
        if last_message.has_tool_calls:
            return self.get_tool_executor()
        return self.get_next_agent(messages)

Leader-Based 模式

python

class MultiAssistantWithLeader:
    """带领导者的层级协作"""

    def __init__(self, leader_config, team_configs):
        self.leader = LeaderAgent(leader_config)
        self.team = [TeamAgent(c) for c in team_configs]

        # 建立嵌套对话连接
        for agent in self.team:
            agent.register_nested_chat(self.leader)

    def execute_task(self, task):
        # 领导者分配任务
        assignments = self.leader.assign_task(task)
        # 团队成员执行
        results = []
        for agent, sub_task in assignments:
            result = agent.execute(sub_task)
            results.append(result)
        # 领导者汇总
        return self.leader.summarize(results)

快速开始

环境配置

bash

# 创建 conda 环境
conda create --name finrobot python=3.10
conda activate finrobot

# 克隆仓库
git clone https://github.com/AI4Finance-Foundation/FinRobot.git
cd FinRobot

# 安装依赖
pip install -U finrobot
# 或开发模式
pip install -e .

API 密钥配置

OAI_CONFIG_LIST (OpenAI 配置):

json

[
    {
        "model": "gpt-4",
        "api_key": "sk-xxx"
    }
]

config_api_keys (数据源配置):

text

FINNHUB_API_KEY=xxx
FMP_API_KEY=xxx
SEC_API_KEY=xxx

运行教程

bash

# Jupyter 教程
cd tutorials_beginner
jupyter notebook agent_annual_report.ipynb

# 使用 Ollama 本地模型
jupyter notebook "ollama function call.ipynb"

三方对比: FinRobot vs PrimoAgent vs TradingAgent

架构对比

维度	FinRobot	PrimoAgent	TradingAgent
架构类型	四层分层架构	顺序流水线	多阶段循环
智能体数量	10种角色	4个	15个节点
编排框架	AutoGen	LangGraph	LangGraph
循环机制	多智能体协作	无循环	6个循环
层级结构	Leader-Based	扁平	阶段式

功能对比

text

┌──────────────────────────────────────────────────────────────────────┐
│                           功能矩阵                                     │
├──────────────────────────────────────────────────────────────────────┤
│                                                                      │
│   特性              FinRobot    PrimoAgent   TradingAgent            │
│   ───────────────────────────────────────────────────────────        │
│   交易信号生成        ✓           ✓            ✓                       │
│   研究报告生成        ✓ (PDF)     ✗            ✗                       │
│   10-K分析           ✓           ✗            ✗                       │
│   RAG问答            ✓           ✗            ✗                       │
│   多模态分析         ✓           ✗            ✗                       │
│   牛熊辩论           ✗           ✗            ✓                       │
│   风险三方讨论       ✗           ✗            ✓                       │
│   NLP情感分析        ✓           ✓ (7维)      ✓                       │
│   回测框架           ✗           ✓            ✗                       │
│   本地模型支持       ✓ (Ollama)  ✗            ✗                       │
│                                                                      │
└──────────────────────────────────────────────────────────────────────┘

数据源对比

数据源	FinRobot	PrimoAgent	TradingAgent
Finnhub	✓	✓	✗
yFinance	✓	✓	✓
FMP	✓	✗	✗
SEC Edgar	✓	✗	✗
Reddit	✓	✗	✓
FinNLP	✓	✗	✗
社交媒体	✓	✗	✓

技术栈对比

技术	FinRobot	PrimoAgent	TradingAgent
核心框架	AutoGen	LangGraph	LangGraph
LLM支持	多模型	OpenAI	多模型
本地模型	Ollama	✗	✗
报告生成	ReportLab	CSV	Markdown
可视化	Matplotlib	内置	✗
RAG	支持	✗	ChromaDB

适用场景对比

text

FinRobot 最适合:
├── 企业级金融分析系统
├── 需要生成专业研究报告
├── 10-K/10-Q 文件分析
├── 多数据源整合需求
└── 需要本地模型部署

PrimoAgent 最适合:
├── 快速原型开发
├── 学习LangGraph基础
├── 低延迟交易信号
├── 资源受限环境
└── 需要回测验证

TradingAgent 最适合:
├── 模拟真实交易公司流程
├── 需要多方验证的决策
├── 高价值交易决策
├── 需要可解释性
└── 学术研究和论文复现

学习曲线对比

方面	FinRobot	PrimoAgent	TradingAgent
入门难度	中等	低	高
文档质量	优秀 (含教程)	良好	优秀 (含论文)
社区支持	Discord	GitHub	GitHub
代码复杂度	中等	低	高
配置复杂度	高 (多API)	中等	中等

性能对比

指标	FinRobot	PrimoAgent	TradingAgent
单次分析时间	60-120秒	约30秒	约160秒
API调用次数	10-20次	4-8次	20+次
输出丰富度	高 (PDF报告)	中等 (CSV)	高 (结构化)
可扩展性	高	中等	中等

本节小结

通过本节学习，你应该掌握:

FinRobot 的四层架构设计理念
Perception-Brain-Action 智能体工作流
Smart Scheduler 智能调度机制
10种预定义智能体角色
6大数据源集成方式
AutoGen 多智能体编排模式
三大核心应用场景

核心收获:

分层架构的价值: 四层设计使系统高度模块化和可扩展
多模型支持: 从 GPT-4 到 Ollama 本地模型，灵活适应不同场景
企业级功能: PDF 报告生成、RAG 问答、10-K 分析等专业特性
与其他框架的差异: AutoGen vs LangGraph 的不同编排思路

上一节: 10.10 PrimoAgent

返回目录: 10.0 本章介绍

项目地址: FinRobot GitHub

论文地址: arXiv:2405.14767

最后更新: 2025年12月作者: Bryce Wang

10.11 FinRobot - AI4Finance 多智能体金融分析平台 ​

本节概述 ​

项目定位 ​

核心愿景 ​

四层架构设计 ​

架构层次详解 ​

智能体工作流: Perception-Brain-Action ​

1. Perception (感知阶段) ​

2. Brain (思考阶段) ​

3. Action (行动阶段) ​

Smart Scheduler 智能调度器 ​

组件详解 ​

调度流程 ​

项目结构 ​

十大智能体角色 ​

技术角色 (4种) ​

分析角色 (2种) ​

金融角色 (4种) ​

Expert_Investor 详解 ​

数据源集成 ​

数据源对比 ​

数据流程 ​

财务分析功能 (analyzer.py) ​

报表分析函数 ​

综合分析函数 ​

使用示例 ​

三大核心智能体应用 ​

1. Market Forecaster Agent (市场预测智能体) ​

2. Financial Analyst Agent (财务分析智能体) ​

3. Trade Strategist Agent (交易策略智能体) ​

工作流实现 ​

单智能体模式 ​

多智能体模式 ​

Leader-Based 模式 ​

快速开始 ​

环境配置 ​

API 密钥配置 ​

运行教程 ​

三方对比: FinRobot vs PrimoAgent vs TradingAgent ​

架构对比 ​

功能对比 ​

数据源对比 ​

技术栈对比 ​

适用场景对比 ​

学习曲线对比 ​

性能对比 ​

本节小结 ​

10.11 FinRobot - AI4Finance 多智能体金融分析平台

本节概述

项目定位

核心愿景

四层架构设计

架构层次详解

智能体工作流: Perception-Brain-Action

1. Perception (感知阶段)

2. Brain (思考阶段)

3. Action (行动阶段)

Smart Scheduler 智能调度器

组件详解

调度流程

项目结构

十大智能体角色

技术角色 (4种)

分析角色 (2种)

金融角色 (4种)

Expert_Investor 详解

数据源集成

数据源对比

数据流程

财务分析功能 (analyzer.py)

报表分析函数

综合分析函数

使用示例

三大核心智能体应用

1. Market Forecaster Agent (市场预测智能体)

2. Financial Analyst Agent (财务分析智能体)

3. Trade Strategist Agent (交易策略智能体)

工作流实现

单智能体模式

多智能体模式

Leader-Based 模式

快速开始

环境配置

API 密钥配置

运行教程

三方对比: FinRobot vs PrimoAgent vs TradingAgent

架构对比

功能对比

数据源对比

技术栈对比

适用场景对比

学习曲线对比

性能对比

本节小结