charieswei
/
TradingAgents
mirror of https://github.com/TauricResearch/TradingAgents.git
1
0
Fork 0
Code Issues Packages Projects Releases Wiki Activity

This commit is contained in:
MarkLo 2025-11-26 13:39:14 +08:00
parent ace244e7be
commit 3dcdbb5659
13 changed files with 78 additions and 144 deletions
Show Stats Download Patch File Download Diff File Expand all files Collapse all files

45
backend/app/services/pdf_generator.py
View File

@ -224,7 +224,7 @@ class PDFGenerator:
def _clean_markdown(self, text: str) -> str:
"""
Clean markdown formatting for PDF - IMPROVED VERSION
Fixes spurious character issues and improves cleaning logic
Simplified regex patterns to prevent encoding artifacts
Args:
text: Markdown text
@ -232,47 +232,54 @@ class PDFGenerator:
Returns:
Cleaned text
"""
import unicodedata
# 0. Normalize Unicode to prevent encoding issues
text = unicodedata.normalize('NFKC', text)
# 1. Remove markdown links but keep text
text = re.sub(r'\[([^\]]+)\]\([^\)]+\)', r'\1', text)
# 2. Remove bold markers (improved version)
# 2. Remove bold markers (simplified version)
text = re.sub(r'\*\*(.+?)\*\*', r'\1', text)
# 3. Remove italic markers (more precise to avoid side effects)
text = re.sub(r'(?<![\*_])\*([^\*\n]+?)\*(?![\*_])', r'\1', text)
text = re.sub(r'(?<![\*_])_([^_\n]+?)_(?![\*_])', r'\1', text)
# 4. Remove underscore bold
text = re.sub(r'__(.+?)__', r'\1', text)
# 5. Remove code blocks
# 3. Remove italic markers (SIMPLIFIED - avoid complex lookahead/lookbehind)
# Only match single * or _ that are NOT part of ** or __
text = re.sub(r'(?<![\*])\*([^\*]+?)\*(?![\*])', r'\1', text)
text = re.sub(r'(?<![_])_([^_]+?)_(?![_])', r'\1', text)
# 4. Remove code blocks
text = re.sub(r'```[^`]*?```', '', text, flags=re.DOTALL)
text = re.sub(r'`([^`]+?)`', r'\1', text)
# 6. Clean up bullet points
# 5. Clean up bullet points
text = re.sub(r'^\s*[\*\-\+]\s+', '• ', text, flags=re.MULTILINE)
# 7. Remove horizontal rules
# 6. Remove horizontal rules
text = re.sub(r'^[\-\*_]{3,}\s*$', '', text, flags=re.MULTILINE)
# 8. Clean table separators
# 7. Clean table separators (simplified)
text = re.sub(r'^\s*\|?\s*:?-+:?\s*\|?\s*$', '', text, flags=re.MULTILINE)
# 9. Remove table | symbols (keep content)
# 8. Remove table | symbols (keep content)
text = re.sub(r'^\s*\|', '', text, flags=re.MULTILINE)
text = re.sub(r'\|\s*$', '', text, flags=re.MULTILINE)
text = re.sub(r'\|', ' | ', text)
# 10. Clean excess spaces
# 9. Clean excess spaces
text = re.sub(r' {2,}', ' ', text)
# 11. Clean excess blank lines
# 10. Clean excess blank lines
text = re.sub(r'\n{3,}', '\n\n', text)
# 12. Remove isolated markdown symbols (more cautious to avoid spurious chars)
text = re.sub(r'(?<=\s)[\*_`~#]+(?=\s)', '', text)
text = re.sub(r'^[\*_`~#]+(?=\s)', '', text, flags=re.MULTILINE)
text = re.sub(r'(?<=\s)[\*_`~#]+$', '', text, flags=re.MULTILINE)
# 11. Remove isolated markdown symbols (SIMPLIFIED - no complex patterns)
# Remove lines that only contain markdown symbols
text = re.sub(r'^[\*_`~#\-\+]+\s*$', '', text, flags=re.MULTILINE)
# 12. Final Unicode check - remove any characters that might cause PDF encoding issues
# Keep only printable characters and common Chinese characters
text = ''.join(char for char in text if char.isprintable() or char in '\n\r\t' or '\u4e00' <= char <= '\u9fff')
return text.strip()

4
tradingagents/agents/analysts/fundamentals_analyst.py
View File

@ -54,7 +54,9 @@ def create_fundamentals_analyst(llm):
• 整合數據進行綜合評估
【報告架構】
**字數要求**：**至少800字以上（不含表格）**
**字數要求**：**800-1500字（不含表格）**
**嚴格遵守字數限制，少於800字或超過1500字的報告將被退回**
**內容結構**：
1. 公司概述（150字以上）：業務特性與競爭地位
2. 財務分析（400-450字）：獲利能力、財務結構、現金流分析

15
tradingagents/agents/analysts/market_analyst.py
View File

@ -53,18 +53,21 @@ def create_market_analyst(llm):
• 整合數據後提出專業見解
【報告架構】
**字數要求**：**至少800字以上（不含表格）**
**字數要求**：**800-1500字（不含表格）**
**嚴格遵守字數限制，少於800字或超過1500字的報告將被退回**
**內容結構**：
1. 市場概況（150字以上）：趨勢方向與動能強弱
2. 技術分析（400-450字）：指標解讀與相互驗證
3. 關鍵價位（100字以上）：支撐/壓力位及其技術意義
4. 操作策略（150字以上）：進場點位、停損設定、目標價位
5. 數據摘要表格（必須）
1. 市場概況（120-150字）：趨勢方向與動能強弱
2. 技術分析（400-600字）：指標解讀與相互驗證
3. 關鍵價位（80-120字）：支撐/壓力位及其技術意義
4. 操作策略（150-200字）：進場點位、停損設定、目標價位
5. 數據摘要表格（必須，不計入字數）
**撰寫原則**：
- 專業但清晰，避免過度技術化的表述
- 結論明確，提供可執行的交易建議
- 必須包含核心數據整理表格
- 控制篇幅，確保在1500字以內完成分析
**結尾提示**：
請在報告最後加上以下結尾：

15
tradingagents/agents/analysts/news_analyst.py
View File

@ -50,18 +50,21 @@ def create_news_analyst(llm):
• 篩選高價值資訊並進行深度解讀
【報告架構】
**字數要求**：**至少800字以上（不含表格）**
**字數要求**：**800-1500字（不含表格）**
**嚴格遵守字數限制，少於800字或超過1500字的報告將被退回**
**內容結構**：
1. 新聞摘要（150字以上）：重點事件概述
2. 影響分析（400-450字）：事件對股價的多維度影響評估
3. 風險提示（100字以上）：潛在風險或市場未注意的因素
4. 操作建議（150字以上）：基於新聞面的投資策略
5. 新聞事件表格（必須）
1. 新聞摘要（120-150字）：重點事件概述
2. 影響分析（400-600字）：事件對股價的多維度影響評估
3. 風險提示（80-120字）：潛在風險或市場未注意的因素
4. 操作建議（150-200字）：基於新聞面的投資策略
5. 新聞事件表格（必須，不計入字數）
**撰寫原則**：
- 聚焦實質影響，過濾非重要資訊
- 提供獨立觀點與專業解讀
- 必須包含關鍵新聞整理表格
- 控制篇幅，確保在1500字以內完成分析
**結尾提示**：
請在報告最後加上以下結尾：

4
tradingagents/agents/analysts/social_media_analyst.py
View File

@ -50,7 +50,9 @@ def create_social_media_analyst(llm):
• 分析輿情傾向與討論熱度
【報告架構】
**字數要求**：**至少800字以上（不含表格）**
**字數要求**：**800-1500字（不含表格）**
**嚴格遵守字數限制，少於800字或超過1500字的報告將被退回**
**內容結構**：
1. 情緒概要（150字以上）：市場氛圍與情緒指標
2. 輿情分析（400-450字）：主要討論議題與觀點分布

28
tradingagents/agents/managers/research_manager.py
View File

@ -39,20 +39,8 @@ def create_research_manager(llm, memory):
news_report = state["news_report"]
fundamentals_report = state["fundamentals_report"]
# 定義文本截斷函數以避免超過 token 限制
def truncate_text(text, max_chars):
"""截斷文本到指定字符數"""
if len(text) <= max_chars:
return text
return text[:max_chars] + "\n...(內容已截斷)"
# 為每個報告設置合理的字符限制
# 增加限制以確保 800+ 字的報告不被截斷
market_research_report = truncate_text(market_research_report, 2000)
sentiment_report = truncate_text(sentiment_report, 2000)
news_report = truncate_text(news_report, 2500)
fundamentals_report = truncate_text(fundamentals_report, 2000)
# 定義文本截斷函數以避免超過 token 限制 - 移除截斷邏輯以保留完整報告內容
# 為每個報告設置合理的字符限制 - 移除，保留完整報告
# 整合當前情況
curr_situation = f"{market_research_report}\n\n{sentiment_report}\n\n{news_report}\n\n{fundamentals_report}"
@ -60,18 +48,13 @@ def create_research_manager(llm, memory):
# 從記憶體中獲取過去相似情況的經驗
past_memories = memory.get_memories(curr_situation, n_matches=2)
# 將過去的經驗格式化為字串（限制長度）
# 將過去的經驗格式化為字串
past_memory_str = ""
for i, rec in enumerate(past_memories, 1):
recommendation = rec["recommendation"]
# 限制每條記憶的長度
if len(recommendation) > 200:
recommendation = recommendation[:200] + "...(已截斷)"
past_memory_str += recommendation + "\n\n"
# 截斷辯論歷史 - 這是最容易超過限制的部分
# 增加限制以容納更長的辯論內容
history = truncate_text(history, 3000)
# 截斷辯論歷史 - 這是最容易超過限制的部分 - 移除截斷以保留完整內容
# 建立提示 (prompt)
prompt = f"""**重要：您必須使用繁體中文（Traditional Chinese）回覆所有內容。**
@ -90,7 +73,8 @@ def create_research_manager(llm, memory):
- 辯論歷史：{history}
【輸出要求】
**字數要求**：**至少800字以上**
**字數要求**：**800-1500字**
**嚴格遵守字數限制，少於800字或超過1500字的報告將被退回**
**內容結構**：
1. 決策摘要（150字以上）：明確的買入/賣出/持有決策與核心理由
2. 論證評估（200字以上）：公正評估雙方最強論點與分歧點，不偏袒任何一方

21
tradingagents/agents/managers/risk_manager.py
View File

@ -41,21 +41,7 @@ def create_risk_manager(llm, memory):
sentiment_report = state["sentiment_report"]
trader_plan = state["investment_plan"]
# 定義文本截斷函數以避免超過 token 限制
def truncate_text(text, max_chars):
"""截斷文本到指定字符數"""
if len(text) <= max_chars:
return text
return text[:max_chars] + "\n...(內容已截斷)"
# 為每個報告設置合理的字符限制
# 增加限制以確保 800+ 字的報告不被截斷
market_research_report = truncate_text(market_research_report, 2000)
sentiment_report = truncate_text(sentiment_report, 2000)
news_report = truncate_text(news_report, 2500)
fundamentals_report = truncate_text(fundamentals_report, 2000)
trader_plan = truncate_text(trader_plan, 2000)
# 移除截斷邏輯以保留完整報告內容
# 整合當前情況
curr_situation = f"{market_research_report}\n\n{sentiment_report}\n\n{news_report}\n\n{fundamentals_report}"
@ -74,7 +60,7 @@ def create_risk_manager(llm, memory):
# 截斷辯論歷史 - 這是最容易超過限制的部分
# 增加限制以容納更長的辯論內容（風險辯論通常有3方，比投資辯論更長）
history = truncate_text(history, 3000)
history = history # 移除截斷，保留完整歷史
# 建立提示 (prompt)
@ -96,7 +82,8 @@ def create_risk_manager(llm, memory):
- 辯論歷史：{history}
【輸出要求】
**字數要求**：**至少800字以上**
**字數要求**：**800-1500字**
**嚴格遵守字數限制，少於800字或超過1500字的報告將被退回**
**內容結構**：
1. 風控結論（150字以上）：風險評級與最終決策的明確陳述
2. 論證評估（200字以上）：三方風險觀點的綜合評估，公正分析

37
tradingagents/agents/researchers/bear_researcher.py
View File

@ -42,47 +42,19 @@ def create_bear_researcher(llm, memory):
news_report = state["news_report"]
fundamentals_report = state["fundamentals_report"]
# 整合當前情況並智能截斷以避免超過 token 限制
# 估算：1 個中文字符 ≈ 2.5 tokens，1 個英文字符 ≈ 0.25 tokens
# 目標：將每個報告限制在合理的字符數內，總共不超過約 15000 字符（約 20000-30000 tokens）
def truncate_text(text, max_chars):
"""智能截斷文本到指定字符數，在句子邊界處截斷"""
if len(text) <= max_chars:
return text
truncated = text[:max_chars]
for delimiter in ['。', '\n', '，', '、', ' ']:
last_pos = truncated.rfind(delimiter)
if last_pos > max_chars * 0.8:
return text[:last_pos + 1] + "\n\n...(為控制長度已精簡)"
return truncated + "...(為控制長度已精簡)"
# 為每個報告設置合理的字符限制
# 增加限制以確保 800+ 字的報告不被截斷
market_research_report = truncate_text(market_research_report, 2000)
sentiment_report = truncate_text(sentiment_report, 2000)
news_report = truncate_text(news_report, 2500)
fundamentals_report = truncate_text(fundamentals_report, 2000)
# 整合當前情況 - 移除截斷邏輯以保留完整報告內容
curr_situation = f"{market_research_report}\n\n{sentiment_report}\n\n{news_report}\n\n{fundamentals_report}"
# 從記憶體中獲取過去相似情況的經驗
past_memories = memory.get_memories(curr_situation, n_matches=2)
# 將過去的經驗格式化為字串（限制長度）
# 將過去的經驗格式化為字串
past_memory_str = ""
for i, rec in enumerate(past_memories, 1):
recommendation = rec["recommendation"]
# 限制每條記憶的長度
if len(recommendation) > 200:
recommendation = recommendation[:200] + "...(已截斷)"
past_memory_str += recommendation + "\n\n"
# 建立提示 (prompt) - 限制歷史長度以控制總 token 數
history = truncate_text(history, 300)
current_response = truncate_text(current_response, 200)
# 建立提示 (prompt) - 保留完整歷史以確保context完整性
prompt = f"""**重要：您必須使用繁體中文（Traditional Chinese）回覆所有內容。**
@ -106,7 +78,8 @@ def create_bear_researcher(llm, memory):
- 過往經驗：{past_memory_str}
【輸出要求】
**字數要求**：**至少800字以上**
**字數要求**：**800-1500字**
**嚴格遵守字數限制，少於800字或超過1500字的報告將被退回**
**內容結構**：
1. 核心警示（150字以上）：清晰且強勢地陳述看跌理由，展現堅定立場
2. 風險論證（450-500字）：用詳實數據支撐風險分析，層層揭露隱患

41
tradingagents/agents/researchers/bull_researcher.py
View File

@ -42,51 +42,19 @@ def create_bull_researcher(llm, memory):
news_report = state["news_report"]
fundamentals_report = state["fundamentals_report"]
# 整合當前情況並智能截斷以避免超過 token 限制
# 估算：1 個中文字符 ≈ 2.5 tokens，1 個英文字符 ≈ 0.25 tokens
# 目標：將每個報告限制在合理的字符數內，總共不超過約 15000 字符（約 20000-30000 tokens）
def truncate_text(text, max_chars):
"""智能截斷文本到指定字符數，在句子邊界處截斷"""
if len(text) <= max_chars:
return text
# 在max_chars附近尋找句子結束標記
truncated = text[:max_chars]
# 尋找最後一個句號、換行或逗號
for delimiter in ['。', '\n', '，', '、', ' ']:
last_pos = truncated.rfind(delimiter)
if last_pos > max_chars * 0.8: # 至少保留80%的內容
return text[:last_pos + 1] + "\n\n...(為控制長度已精簡)"
# 如果找不到合適的分隔符，直接在字符處截斷
return truncated + "...(為控制長度已精簡)"
# 為每個報告設置合理的字符限制
# 增加限制以確保 800+ 字的報告不被截斷
market_research_report = truncate_text(market_research_report, 2000)
sentiment_report = truncate_text(sentiment_report, 2000)
news_report = truncate_text(news_report, 2500)
fundamentals_report = truncate_text(fundamentals_report, 2000)
# 整合當前情況 - 移除截斷邏輯以保留完整報告內容
curr_situation = f"{market_research_report}\n\n{sentiment_report}\n\n{news_report}\n\n{fundamentals_report}"
# 從記憶體中獲取過去相似情況的經驗
past_memories = memory.get_memories(curr_situation, n_matches=2)
# 將過去的經驗格式化為字串（限制長度）
# 將過去的經驗格式化為字串
past_memory_str = ""
for i, rec in enumerate(past_memories, 1):
recommendation = rec["recommendation"]
# 限制每條記憶的長度
if len(recommendation) > 200:
recommendation = recommendation[:200] + "...(已截斷)"
past_memory_str += recommendation + "\n\n"
# 建立提示 (prompt) - 限制歷史長度以控制總 token 數
history = truncate_text(history, 300)
current_response = truncate_text(current_response, 200)
# 建立提示 (prompt) - 保留完整歷史以確保context完整性
prompt = f"""**重要：您必須使用繁體中文（Traditional Chinese）回覆所有內容。**
@ -110,7 +78,8 @@ def create_bull_researcher(llm, memory):
- 過往經驗：{past_memory_str}
【輸出要求】
**字數要求**：**至少800字以上**
**字數要求**：**800-1500字**
**嚴格遵守字數限制，少於800字或超過1500字的報告將被退回**
**內容結構**：
1. 核心論點（150字以上）：清晰且強勢地陳述看漲理由，展現必勝信心
2. 成長論證（450-500字）：用詳實數據支撐成長邏輯，層層推進論述

3
tradingagents/agents/risk_mgmt/aggresive_debator.py
View File

@ -85,7 +85,8 @@ def create_risky_debator(llm):
- 對手觀點：{current_safe_response}, {current_neutral_response}
【輸出要求】
**字數要求**：**至少800字以上**
**字數要求**：**800-1500字**
**嚴格遵守字數限制，少於800字或超過1500字的報告將被退回**
**內容結構**：
1. 核心主張（150字以上）：清晰且強勢地陳述積極策略的理由，展現必勝信心
2. 機會分析（450-500字）：詳細論證上檔潛力，層層推進論述

3
tradingagents/agents/risk_mgmt/conservative_debator.py
View File

@ -86,7 +86,8 @@ def create_safe_debator(llm):
- 對手觀點：{current_risky_response}, {current_neutral_response}
【輸出要求】
**字數要求**：**至少800字以上**
**字數要求**：**800-1500字**
**嚴格遵守字數限制，少於800字或超過1500字的報告將被退回**
**內容結構**：
1. 核心警示（150字以上）：清晰且強勢地陳述保守建議的理由，展現堅定立場
2. 風險盤點（450-500字）：詳細分析下檔風險，層層揭露隱患

3
tradingagents/agents/risk_mgmt/neutral_debator.py
View File

@ -85,7 +85,8 @@ def create_neutral_debator(llm):
- 對手觀點：{current_risky_response}, {current_safe_response}
【輸出要求】
**字數要求**：**至少800字以上**
**字數要求**：**800-1500字**
**嚴格遵守字數限制，少於800字或超過1500字的報告將被退回**
**內容結構**：
1. 核心觀點（150字以上）：清晰陳述平衡策略的理由與價值
2. 風險報酬評估（450-500字）：客觀分析損益比，綜合評估雙方論點

3
tradingagents/agents/trader/trader.py
View File

@ -100,7 +100,8 @@ def create_trader(llm, memory):
- 過去反思：{past_memory_str}
【輸出要求】
**字數要求**：**至少800字以上**
**字數要求**：**800-1500字**
**嚴格遵守字數限制，少於800字或超過1500字的報告將被退回**
**內容結構**：
1. 執行摘要（150字以上）：最終決策與核心理由的清晰陳述
2. 決策整合（150字以上）：研究與風控觀點的平衡整合過程