ProjectsApr 3, 202616 分钟/阅读时间

智能股票分析Agent - Project Detail

Python

Stock Agent 项目说明文档

1. 项目定位

Stock Agent 是一个面向金融场景的组合型工程，包含三条主线：

新闻标签数据处理、LoRA 训练与离线评估（情感/风险）
A 股数据 MCP 服务（基于 Baostock 封装工具）
多 Agent 股票分析系统（通过 LangGraph + MCP 工具链生成中文研报）

项目目标是把「数据准备 -> 模型训练 -> 评估 -> 多 Agent 应用落地」串成完整闭环。

2. 仓库结构

Finance/
├─ data_process.py                      # 新闻去重与 JSONL 导出
├─ multitask_trainer.py                 # 通用多任务训练器（LoRA + Qwen）
├─ train_multitask.py                   # 统一训练入口（sentiment + risk）
├─ train_qwen_sentiment.py              # 单任务训练入口（情感）
├─ train_qwen_risk.py                   # 单任务训练入口（风险）
├─ evaluation_pipeline.py               # 离线评估（时序切分 + 指标产物）
├─ download.py                          # Qwen 基础模型下载脚本
├─ test_qwen_sentiment.py               # 情感模型推理测试脚本
├─ test_risk_model.py                   # 风险模型推理测试脚本
├─ prompts/
│  └─ training/                         # 训练提示词模板
├─ nasdaq_news_sentiment/               # 情感数据目录
├─ risk_nasdaq/                         # 风险数据目录
├─ docs/
│  ├─ data_contract.md                  # 数据契约说明
│  ├─ engineering_baseline.md           # 工程基线
│  └─ project_star_documentation.md     # STAR 过程文档
├─ a-share-mcp-is-just-i-need/          # A 股 MCP 服务子项目
│  ├─ mcp_server.py                     # MCP 服务入口
│  └─ src/tools/*.py                    # 各类 A 股数据工具
└─ Financial-MCP-Agent/                 # 多 Agent 分析子项目
   ├─ src/main.py                       # 分析主入口
   ├─ src/agents/*.py                   # 基本面/技术面/估值/新闻/总结 Agent
   ├─ src/tools/mcp_client.py           # MCP 客户端与工具缓存
   ├─ src/tools/mcp_config.py           # MCP 服务配置
   ├─ src/utils/execution_logger.py     # 执行日志与质量指标
   ├─ reports/                          # 生成研报
   └─ logs/                             # 每次运行日志

3. 环境与依赖

3.1 Python 版本

建议 Python 3.11+（CI 使用 3.11）。

3.2 安装依赖

在仓库根目录执行：

pip install -r requirements-dev.txt

requirements-dev.txt 会包含运行依赖与工程检查依赖（pytest/ruff/mypy）。

4. 数据处理与训练线

4.1 新闻去重（`data_process.py`）

NewsDeduplicator 使用三类信号联合判断重复新闻：

标题相似度（编辑距离 + TF-IDF 余弦）
内容重叠（MinHash 近似 Jaccard）
语义近似（SimHash 汉明距离）

处理后会导出 JSONL 数据，便于后续训练或分析任务使用。

4.2 训练器设计（`multitask_trainer.py`）

核心能力：

TaskConfig/RunConfig 配置化任务与训练参数
严格 CSV schema 校验（必需列、标签合法、文本最小长度）
基于提示模板构造监督样本
使用 Qwen CausalLM + LoRA（PEFT）进行微调
只对 Assistant: 后答案部分计入训练标签（answer-only mask）

4.3 训练入口

A. 统一多任务训练（推荐）

python train_multitask.py --model-name /path/to/Qwen

可选参数：--max-rows --max-length --epochs --batch-size --grad-acc --lr。

B. 单任务训练

python train_qwen_sentiment.py
python train_qwen_risk.py

注意：这两个脚本内默认模型路径是 /root/code/Finance/Qwen，在本地环境需改为你自己的模型路径。

5. 评估线

使用 evaluation_pipeline.py 对离线预测结果进行评估：

python evaluation_pipeline.py \
  --csv <your_labeled_csv> \
  --label-col <true_label_col> \
  --pred-col <pred_label_col>

默认行为：

按 Date 时序切分（--time-split 支持比例或具体日期）
过滤非法标签（默认 1,2,3,4,5）
输出 metrics.json、metrics.md、group_metrics.csv

关键指标：accuracy、macro_f1、混淆矩阵、分组（按股票）指标。

6. A 股 MCP 服务子项目

位置：a-share-mcp-is-just-i-need/

入口：mcp_server.py

职责：

启动 FastMCP 服务（stdio 传输）
注入 BaostockDataSource
注册股票、财报、指数、宏观、市场概览、新闻抓取等工具

运行示例（在仓库根目录）：

python a-share-mcp-is-just-i-need/mcp_server.py

服务被 Financial-MCP-Agent 通过 MCP 客户端拉取工具使用。

7. 多 Agent 分析子项目

位置：Financial-MCP-Agent/

7.1 配置

先复制并编辑环境变量：

模板文件：Financial-MCP-Agent/.env.example
实际文件：Financial-MCP-Agent/.env

关键变量：

OPENAI_COMPATIBLE_API_KEY
OPENAI_COMPATIBLE_BASE_URL
OPENAI_COMPATIBLE_MODEL
USE_LOCAL_MODEL（默认 api）
AGENT_EXECUTION_MODE（baostock_parallel3 | hybrid | parallel | serial）
MCP_TOOL_CACHE_TTL_SECONDS

7.2 MCP 配置

Financial-MCP-Agent/src/tools/mcp_config.py 里预置了 MCP 脚本路径：

D:/desktop/intern/python/stockAgent/Finance/a-share-mcp-is-just-i-need/mcp_server.py

如果你迁移了项目目录，需要同步修改这个路径。

7.3 运行方式

python Financial-MCP-Agent/src/main.py --command "分析贵州茅台(600519)"

流程概览：

主程序解析公司名/股票代码
根据执行模式并行或串行调度四个分析 Agent
summary_agent 汇总并生成最终中文 Markdown 研报
报告写入 Financial-MCP-Agent/reports/
全量执行信息写入 Financial-MCP-Agent/logs/<execution_id>/

7.4 日志与质量指标

execution_logger.py 会自动记录：

Agent 开始/结束
LLM 交互输入输出
MCP 工具调用
质量指标（工具失败率、输出无效率、平均延迟、报告空节率等）

每次运行都会生成：

execution_info.json
EXECUTION_SUMMARY.md
quality/quality_summary.json
reports/final_report.md

8. CI 与工程基线

CI 文件：.github/workflows/python-ci.yml

当前 CI 是 smoke check：

安装 requirements-dev.txt
运行 compileall
对关键文件 py_compile

这保证主干脚本至少能通过语法级校验。

9. 数据契约（必须遵守）

参考：docs/data_contract.md

训练侧（multitask_trainer.py）要求：

必须存在 text_col、label_col、stock_col
文本非空且长度 >= min_text_length
标签必须可转数值且不为 0
标签需在允许集合内（默认 1~5）

评估侧（evaluation_pipeline.py）要求：

必须存在日期列、分组列、真实标签列、预测标签列
标签会数值化并过滤非法值
清洗后无有效样本会直接 fail-fast

10. 常见问题与排查

训练启动即失败（Schema 错误）

先核对 CSV 列名是否和 TaskConfig 一致。
检查标签列是否含非数字/超出 1~5。

单任务脚本找不到模型路径

修改 train_qwen_sentiment.py / train_qwen_risk.py 内 model_name 的默认值。

多 Agent 跑不起来（MCP 工具为空）

检查 mcp_config.py 里的 MCP_SERVER_SCRIPT 是否是你的真实路径。
确认 a-share-mcp-is-just-i-need/mcp_server.py 可独立启动。

API 报错

校验 Financial-MCP-Agent/.env 的 OpenAI 兼容接口配置。

输出乱码

统一使用 UTF-8 编码编辑器；项目代码中已启用 PYTHONUTF8 与 stdout/stderr UTF-8 reconfigure。

11. 建议工作流

推荐按以下顺序使用项目：

准备并清洗数据（必要时先去重）
用 train_multitask.py 进行训练
用 evaluation_pipeline.py 产出指标报告
配置 .env 并运行 Financial-MCP-Agent/src/main.py 做端到端分析
通过 logs/<execution_id>/EXECUTION_SUMMARY.md 复盘质量与稳定性

以上流程能覆盖研究、建模、评估到应用交付的完整链路。

运行流程

这个项目的 Agent 流程可以理解成：“并行分析 + 汇总成报告”。核心入口在 main.py。

1. 入口阶段（构造初始状态）

读取用户 query（命令行或交互输入）。
从 query 里抽取公司名和 6 位股票代码，并规范成 sh./sz. 格式。
生成时间上下文（日期、星期、时间戳）。
初始化

AgentState：
- data: query、股票信息、时间信息
- messages: 对话消息列表
- metadata: 执行元数据定义在 state_definition.py。

2. 工作流编排（LangGraph）

start_node

后并行启动 4 个分析 Agent：
- fundamental_analyst
- technical_analyst
- value_analyst
- news_analyst
四个节点都完成后，进入 summarizer，最后到 END。这部分也是在 main.py 里组装。

3. 每个分析 Agent 的内部流程（四个基本一致） 以 fundamental_agent.py 为例：

从 state.data 取 query、股票代码、时间信息。
读取环境变量里的 LLM 配置（OpenAI-compatible API）。
调用 MCP 客户端拿可用工具（缓存复用）：
- mcp_client.py
用 create_react_agent(llm, mcp_tools) 创建 ReAct Agent。
组装该角色专属提示词（基本面/技术面/估值/新闻）。
agent.ainvoke(...) 让它自动“思考+选工具+调用工具+生成分析”。
把结果写回 state.data（如 fundamental_analysis），并更新 metadata、messages。
出错时写 *_analysis_error，不中断全局流程。

4. MCP 工具是怎么被调用的

Financial-Agent 侧通过 MultiServerMCPClient 连接 MCP Server。
服务配置在mcp_config.py，指向：
- mcp_server.py
MCP Server 暴露了行情、财报、宏观、指数、新闻抓取等工具，ReAct Agent 会按需调用。

5. 汇总 Agent（summary_agent）流程 在 summary_agent.py：

收集四个分析结果 + 可能的 error 信息。
选择汇总模型：
- USE_LOCAL_MODEL=local：本地 FinR1
- 否则走 OpenAI-compatible API
生成统一 Markdown 报告（含结论/建议/风险）。
清理输出（去掉代码块标记等）。
保存到 Financial-MCP-Agent/reports/，并把 final_report、report_path 写回状态。

6. 日志与可观测性

每个 Agent 开始/结束、LLM 输入输出、工具调用都会记录。
日志系统在 execution_logger.py。
每次执行会生成独立日志目录，便于回溯。

如果你愿意，我下一步可以给你画一张“这个流程的时序图（Mermaid）”，你看起来会更直观。

运行工作流示意图

Flowchart 渲染中...

Flowchart 渲染中...

示例报告

贵州茅台(sh.600519) 综合分析报告

分析基准日期：2026年04月02日 (2026-04-02) 星期四 13:17:15

执行摘要

贵州茅台作为中国高端白酒的绝对龙头，其基本面展现出无与伦比的护城河与财务实力。公司拥有高达91.93%的毛利率和52.27%的净利润率，资产负债率极低（0.19%），现金流充沛，是典型的“现金牛”企业。近期，公司时隔八年首次上调核心产品“飞天茅台”的零售指导价，为市场注入强心剂。

从技术面看，股价在经历年初震荡后企稳回升，当前价格（约10934元）站稳于所有主要均线之上，呈现多头排列，短期目标指向11200-11300元阻力区。估值方面，当前约20.30倍的市盈率（PE TTM）处于近一年估值区间的中低位，虽较同业有显著溢价，但考虑到其超高的盈利质量与品牌稀缺性，估值具备一定合理性。

综合来看，茅台的基本面根基极为稳固，短期提价利好与稳健的财务表现构成核心支撑。然而，公司也面临增长预期放缓、消费结构变化及高估值溢价等挑战。投资建议为“持有”至“谨慎增持”，适合风险承受能力中等、追求长期稳定回报的价值型投资者。短期目标价11500-11650元（对应前期高点），长期投资需密切关注业绩增速与行业政策变化。

风险等级：中低（主要风险来自行业政策与估值波动，而非公司经营）
预期回报：中期（1-3年）年化回报预期约8-12%，主要来源于业绩增长与估值修复。

公司概况

贵州茅台酒股份有限公司是中国白酒行业的标杆企业，总部位于贵州省仁怀市茅台镇。公司核心产品为“贵州茅台酒”，其中“飞天茅台”是其最具代表性的高端产品，享有“国酒”美誉。此外，公司还生产“茅台王子酒”、“茅台迎宾酒”等系列酒。其独特的酿造工艺、不可复制的地理环境（赤水河、微生物群）以及深厚的文化底蕴，共同构筑了其强大的品牌护城河。公司是A股市场市值最高的消费股之一，在高端白酒市场占据主导地位。

基本面分析

基于2024年年报数据，贵州茅台的基本面表现堪称卓越：

超凡的盈利能力：毛利率91.93%，净利润率52.27%，净资产收益率（ROE）高达38.43%，各项指标均处于行业顶端，体现了强大的品牌定价权。
极其稳健的财务状况：资产负债率仅为0.19%，几乎无有息负债；流动比率4.45，速动比率3.49，现金及等价物充裕，财务风险极低。
高质量的现金流：经营活动现金流净额与营业收入之比为54.10%，净利润现金含量（经营现金流/净利润）达103.50%，利润转化为现金的能力极强。
稳健的成长性：2024年实现营收1706.12亿元，净利润893.35亿元，同比分别增长15.66%和15.24%，在庞大基数上保持了双位数增长。
慷慨的股东回报：2024年实施两次分红，全年合计每10股派发547.58元（含税），分红总额巨大，体现了公司回馈股东的意愿。

风险点：2025年上半年营收增速降至个位数（9.16%），合同负债同比大幅下降42.59%，经营性现金流下滑，这些信号提示增长动能可能面临阶段性压力。

技术分析

截至2026年4月1日收盘（10934.1元），技术面呈现震荡上行格局：

趋势与均线：股价自1月底低点（9917元）反弹后，已站稳所有主要移动平均线（5日、20日、60日）之上，均线系统呈多头排列，短期趋势偏强。
关键价位：
- 阻力位：11000元（近期心理关口）、11200-11300元（2月平台）、11650元（2月5日前高）。
- 支撑位：10500元（3月多次测试）、10400元（3月4日低点）、10000元（强心理支撑）。
成交量与指标：上涨时伴有放量（如1月29日），调整时缩量，量价关系健康。相对强弱指标（RSI）处于50-60的中性偏强区域，未出现超买信号。
短期展望：若能伴随成交量有效突破11000元阻力，则有望上攻11200-11300元区域，甚至挑战前期高点11650元。若回调，10500元将成为重要支撑。

估值分析

以2026年4月1日股价10934.1元计算：

当前估值：市盈率（PE TTM）20.30倍，市净率（PB MRQ）7.11倍，市销率（PS TTM）10.05倍。
历史区间：当前PE处于近一年（18.41-23.87倍）的中低位，估值从2025年4月的高点有所回落。
行业对比：相较于五粮液（PE 14.25倍）和泸州老窖（PE 12.37倍），茅台享有显著的估值溢价（PE溢价42%-64%）。此溢价源于其更高的ROE（38.43% vs 行业约20%）、净利润率及无可替代的品牌地位。
股息率：基于2024年分红和当前股价，股息率约为0.50%，绝对分红金额高但收益率偏低，因其股价基数大。
估值结论：当前估值反映了市场对其确定性和稀缺性的认可，处于合理区间。但高溢价也意味着对业绩持续增长的预期较高，若增长不及预期，可能面临估值压缩风险。

新闻分析

近期市场情绪受重大事件主导，呈现“利好与隐忧并存”的复杂局面：

核心利好（强烈正面）：2026年3月31日起，飞天茅台自营渠道零售指导价从1499元/瓶上调至1539元/瓶。这是时隔八年的首次提价，被市场解读为公司巩固品牌价值、直接增厚利润的强力信号，当日股价应声上涨。
业绩现实（谨慎中性）：与提价利好相对，市场同时关注到公司2025年增长目标下调至9%，以及上半年营收增速降至个位数、合同负债下滑等迹象，担忧其增长进入“新常态”。
资金与情绪：近60个交易日机构评级以“买入”为主，近5日资金呈净流入状态，显示主流资金在提价刺激下态度偏积极。
综合影响：提价新闻短期内极大地提振了市场信心，对冲了部分对增长放缓的担忧。市场下一步将聚焦于提价对2026年第一季度及全年业绩的实际贡献能否得到验证。

综合评估

四种分析方法呈现出一幅“强基本面支撑下的谨慎乐观”图景：

一致点：
1. 强大的护城河：所有分析均确认茅台无与伦比的品牌、财务和行业地位是其最核心的投资价值。
2. 短期催化剂：技术面的突破态势与新闻面的提价利好形成共振，共同指向短期股价具备上行动能。
3. 估值锚定：估值分析显示当前PE处于近一年中低位，为股价提供了一定的安全边际，与技术面的支撑位形成呼应。
分歧点：
1. 增长前景：基本面分析中的增长放缓信号（合同负债下降、现金流下滑）与新闻分析中的提价利好形成短期与中长期预期的博弈。
2. 风险侧重：基本面与估值分析更关注长期的公司质地与估值合理性，而技术分析和新闻分析更聚焦于短期价格动能和市场情绪变化。

综合视角：茅台的投资故事正从“高速增长”向“高质量稳健增长+定价权兑现”过渡。提价是证明其定价权的关键一步，但市场需要后续财报数据来证实“价增”能否抵消或超越“量缓”的影响。

风险因素

行业与政策风险：白酒行业受宏观经济周期影响显著；消费税改革、限制公务消费等政策变动可能冲击高端白酒需求。
公司特定风险：
- 增长失速风险：营收与利润增速若持续放缓，可能无法支撑当前估值溢价。
- 消费断层风险：年轻一代消费习惯变化，对白酒的接受度可能低于上一代。
- 渠道管理风险：控价、打假及渠道库存管理挑战始终存在。
估值与市场风险：股价绝对价位高，流动性相对受限；市场情绪转变可能导致高估值股票出现较大波动。
产能与原材料风险：核心产品产能受地理环境严格限制，扩张空间有限；原材料（高粱、小麦）价格波动影响成本。

投资建议

评级：持有 / 谨慎增持。对于已持仓的投资者，建议继续持有；对于新建仓投资者，可考虑在回调至关键支撑位时分批布局。
目标价格：
- 短期（3-6个月）：11500 - 11650元（挑战前期高点）。
- 中期（1年）：基于2026年业绩增长及提价效应，合理估值区间对应股价12000 - 12500元。
投资时间范围：适合中长期投资（1年以上），以分享公司稳健增长和分红回报。
适合投资者类型：价值投资者、长期资产配置者、对波动率有一定承受能力的稳健型投资者。
操作提示：避免追高，可关注10500-10700元区域的支撑买入机会。设置止损参考位于10400元下方。投资应占总资产比例不宜过高，以控制单一标的风险。

附录：数据来源与限制

数据来源：本报告分析基于提供的模拟基本面、技术、估值及新闻舆情数据。这些数据模拟了截至2026年4月2日的市场公开信息，包括年度财务报告、实时行情、估值指标及财经新闻摘要。
数据限制与说明：
1. 部分技术指标（如MACD的具体数值）为基于价格走势的推断，非实时精确计算。
2. 新闻分析基于有限的关键事件摘要，未能涵盖所有市场舆论和深度解读。
3. 估值分析中的行业对比数据可能不完整，仅列举了部分主要竞争对手。
4. 所有未来业绩预测（如提价对利润的影响）均为定性分析，存在不确定性。
报告时效性：本报告结论基于分析基准日2026年04月02日的市场状况和信息。投资者在决策前应获取并考虑最新的财务数据、股价走势及市场动态。

**分析基准时间：2026年04月02日 (2026-04-02) 星期四 13:17:15