FinSight Crew：自主金融研究与算法模拟交易的多智能体系统

核心能力与快速开始

★ 0 · Python

能做什么

三智能体（英文）；CrewAI 多智能体协作：市场数据提取、财务分析、投资组合经理，v2 新增财报变化分析师。技术栈与工具链：本地 Ollama（nomic-embed-text）做嵌入，Groq 的 gpt-oss-120b/20b 与 Qwen 3.8 作为 LLM 备选，ChromaDB 持久化向量库，PostgreSQL 存储状态（可回退 SQLite），Streamlit 作为交易台（美股端口 8502、印度端口 8503），Grafana 做监控。RAG 检索：美股采用 SEC 10-K 的 Item 1/1A/7 章节，印度采用 FY2025-26 年报的叙述页，段落感知切块（约 1,200 字符、200 字符重叠），按 ticker 过滤元数据；混合重排（语义 × α + 关键词重叠）与上下文头提升召回；每条 chunk 带引用标签，护栏拒绝未检索到的引用。估值与信号：P/E、EV/EBITDA、FCF 收益率、ROE、杠杆，10 年两阶段 DCF（熊/基准/牛），反向 DCF，0–100 量化评分（价值 35%、质量 35%、动量 30%），输出 BUY/HOLD/SELL、信心、止损、止盈、股数与理由。风险与错误恢复：1% 风险规则、止损 = 入场 − 2×ATR(14)、2R 止盈、单仓 ≤10%、单行业 ≤30%、仅做多；LLM 故障回退链、Yahoo 数据回退 SEC EDGAR XBRL、Postgres 回退 SQLite、护栏重试、引用自动修正、风险否决、盘后订单排队、价止/价达自动卖出、被中断的运行标记。回测与评测：动量规则与风险引擎回测（美股 149 笔、印度 128 笔），以及 18 题 RAG 检索评测（Hit@1/3/5、MRR@5）。

适用场景

个人或课程研究场景下观察多智能体金融研究流程：给定美股或印度股票自选池，运行 CrewAI 智能体产出带引用到 10-K/年报段落的研究报告与估值评分。体验 RAG 检索在 SEC 财报与印度年报 PDF 上的混合重排、上下文头与引用校验效果。在模拟资金（美股 10 万美元、印度 1 千万卢比）下运行按风险规则约束的 paper trading，通过 Streamlit 交易台与 Grafana 监控持仓、信号与自动退出事件。使用调度器在交易时段内每 15 分钟检查价格、按 ATR 规则自动止损或止盈。使用回测脚本验证动量规则与风险引擎在指定自选池上的表现。通过流式事件（llm_fallback、guardrail_retry、risk_veto、auto_exit 等）观察错误恢复链路。

项目形态

研究实现

部署方式

需自行搭建：macOS/Linux、Docker Desktop、Ollama、Python 3.11、免费 Groq API 密钥；使用 docker compose 启动 postgres 与 grafana，并用 Streamlit 与调度器进程分别运行美股/印度两套配置。仓库未提供托管服务或在线演示。

主要依赖

Ollama 嵌入模型 nomic-embed-text（约 274 MB）；Python 3.11 与 requirements.txt；免费 Groq API 密钥；Docker Desktop（Postgres + Grafana）；美股与印度年报的下载依赖相应数据源（edgartools 等）。

使用限制

仅限模拟交易（paper trading），README 明确说明不构成投资建议。LLM 与基本面无法诚实回测（存在前视偏差），回测只验证动量规则与风险引擎。缺少交易假期建模。检索存在真实失败案例（如未命中某些问题）。回测显示策略在强牛市中明显跑输 SPY 与等权持有，主要因 1% 风险仓位留下大量闲置资金；印度策略 Sharpe 为负（5.2% CAGR 低于 6.5% 无风险利率）。本地模型一次只服务一个请求，两个 crew 不能并行。

许可证

未说明

最近推送

2026-10-08 09:20

资料检查：2026-10-09 07:00 · 卡片整理：2026-10-09 07:00
卡片由 AI 根据仓库资料整理，未进行安装或运行验证 · 本次更新未完成，保留上次成功内容

职业应用

程序员

作为多智能体系统与 RAG 应用的参考实现，程序员可研究其 CrewAI 智能体编排、基于 ChromaDB 与 Ollama 嵌入的检索增强生成、护栏与事实校验机制、确定性风险引擎以及错误恢复与回退链设计，用于构建或审查类似的 AI 应用。

官方使用入口 ↗

由 AI 根据来源材料整理，未进行安装或运行验证