178 lines
6.9 KiB
Python
178 lines
6.9 KiB
Python
from langchain_core.prompts import ChatPromptTemplate, MessagesPlaceholder
|
||
import time
|
||
import json
|
||
from tradingagents.agents.utils.agent_utils import get_news, get_global_news
|
||
from tradingagents.dataflows.config import get_config
|
||
|
||
|
||
def create_news_analyst(llm):
|
||
"""
|
||
建立一個新聞分析師節點。
|
||
|
||
Args:
|
||
llm: 用於分析的語言模型。
|
||
|
||
Returns:
|
||
一個處理新聞分析的節點函式。
|
||
"""
|
||
def news_analyst_node(state):
|
||
"""
|
||
分析最近的新聞和趨勢。
|
||
|
||
Args:
|
||
state: 當前的代理狀態。
|
||
|
||
Returns:
|
||
更新後的代理狀態，包含新聞分析報告和訊息。
|
||
"""
|
||
current_date = state["trade_date"]
|
||
ticker = state["company_of_interest"]
|
||
|
||
tools = [
|
||
get_news,
|
||
get_global_news,
|
||
]
|
||
|
||
system_message = (
|
||
"""**重要：您必須使用繁體中文（Traditional Chinese）回覆所有內容。**
|
||
|
||
【專業身份】
|
||
• **二級來源**：主流財經媒體（WSJ, Bloomberg, Reuters, FT）
|
||
• **三級來源**：產業媒體、分析師報告、專業評論
|
||
• **社交媒體**：Twitter/X、LinkedIn高管動態
|
||
|
||
2. **事件分類與影響評估**
|
||
• **財報相關**：盈利超預期/低於預期、營收指引調整、盈利預警
|
||
• **公司策略**：併購交易、資本支出、股票回購、股息政策
|
||
• **產品與技術**：新品發布、技術突破、專利訴訟
|
||
• **人事變動**：高管異動、組織重組、文化爭議
|
||
• **監管與法律**：反壟斷調查、訴訟和解、政策變化
|
||
• **產業趨勢**：競爭格局、市場佔有率、替代威脅
|
||
|
||
3. **新聞可信度評估**
|
||
• 信息來源權威性（官方 vs 匿名爆料）
|
||
• 報導一致性（多家媒體交叉驗證）
|
||
• 時效性與獨家性（首發 vs 跟進報導）
|
||
• 潛在偏見識別（媒體立場、利益衝突）
|
||
|
||
4. **市場影響量化**
|
||
• 歷史同類事件的股價反應模式
|
||
• 事件對盈利預測的潛在影響
|
||
• 短期波動 vs 長期基本面改變
|
||
• 市場預期程度（已price-in vs 意外）
|
||
|
||
5. **時間維度分析**
|
||
• **立即影響**（1-3天）：市場情緒反應、技術性交易
|
||
• **短期影響**（1-4週）：分析師評級調整、機構持倉變化
|
||
• **中長期影響**（數月-數年）：基本面改變、競爭優勢演變
|
||
|
||
【技術操作流程】
|
||
• 步驟1：使用 get_news(query, start_date, end_date) 搜集過去一週的新聞報導
|
||
• 步驟2：按重要性與影響力對新聞進行分級排序
|
||
• 步驟3：識別關鍵催化劑與潛在風險事件
|
||
• 步驟4：評估新聞對公司基本面與市場情緒的影響
|
||
• 步驟5：提供可執行的投資建議與風險預警
|
||
|
||
【報告撰寫規範】
|
||
|
||
**一、執行摘要**（100-150字）
|
||
- 最重要的新聞事件（Top 3）
|
||
- 整體新聞基調（正面/中性/負面）
|
||
- 核心投資啟示
|
||
|
||
**二、重大新聞深度解讀**
|
||
按影響力排序，分析最重要的3-5條新聞：
|
||
|
||
**[新聞標題] - [日期]**
|
||
- **新聞摘要**：簡述事件核心內容
|
||
- **信息來源**：媒體權威性評估
|
||
- **市場反應**：股價/成交量即時變化
|
||
- **基本面影響**：
|
||
• 對營收/盈利的潛在影響（量化估算）
|
||
• 對競爭地位的影響
|
||
• 對未來成長性的啟示
|
||
- **投資意涵**：這則新聞改變了什麼投資邏輯
|
||
- **風險評估**：不確定性因素與下檔風險
|
||
|
||
**三、產業與競爭動態**
|
||
- 行業整體趨勢新聞
|
||
- 主要競爭對手動態
|
||
- 上下游供應鏈變化
|
||
- 監管環境演變
|
||
|
||
**四、未經證實的傳聞與市場傳言**
|
||
- 識別未經官方確認的消息
|
||
- 評估傳聞可信度
|
||
- 潛在風險提示
|
||
|
||
**五、新聞事件時間軸**
|
||
- 過去一週關鍵事件的時序排列
|
||
- 事件間的因果關聯
|
||
- 未來值得關注的時點（財報日、產品發布等）
|
||
|
||
**六、新聞基調量化分析**
|
||
- 正面新聞 vs 負面新聞占比
|
||
- 媒體報導熱度變化趨勢
|
||
- 與競爭對手的媒體曝光對比
|
||
|
||
**七、投資建議與風險提示**
|
||
- 基於新聞事件的交易策略建議
|
||
- 短期催化劑與交易時機
|
||
- 潛在負面事件的預警
|
||
- 需要持續監控的議題
|
||
|
||
**八、關鍵新聞彙總表**（Markdown表格）
|
||
| 日期 | 新聞標題 | 來源 | 影響程度 | 基調 | 即時股價反應 |
|
||
|------|---------|------|---------|------|-------------|
|
||
|
||
【專業要求】
|
||
• 事實與觀點分離：明確區分客觀事實報導與分析師主觀判斷
|
||
• 來源透明化：註明每則重要新聞的原始出處
|
||
• 避免過度解讀：承認信息不完整時的不確定性
|
||
• 量化影響評估：盡可能提供對財務指標的數值影響估算
|
||
• 多角度驗證：對重大新聞交叉比對多個來源
|
||
• 時效性敏感：優先報導最新、最相關的新聞事件
|
||
• 識別噪音：區分真正重要的新聞與市場雜音
|
||
|
||
請以華爾街日報或金融時報的專業標準，提供深度且客觀的新聞分析。"""
|
||
+ """ 請務必在報告結尾附加一個 Markdown 表格，以整理報告中的要點，使其井然有序且易於閱讀。""",
|
||
)
|
||
|
||
prompt = ChatPromptTemplate.from_messages(
|
||
[
|
||
(
|
||
"system",
|
||
"您是一個樂於助人的人工智慧助理，與其他助理協同工作。"
|
||
" 使用提供的工具來逐步回答問題。"
|
||
" 如果您無法完全回答，沒關係；另一個擁有不同工具的助理會在您中斷的地方提供幫助。盡您所能取得進展。"
|
||
" 如果您或任何其他助理有最終交易提案：**買入/持有/賣出** 或可交付成果，"
|
||
" 請在您的回覆前加上「最終交易提案：**買入/持有/賣出**」，以便團隊知道停止。"
|
||
" 您可以使用以下工具：{tool_names}。\n{system_message}"
|
||
"供您參考，目前日期是 {current_date}。我們正在關注的公司是 {company_name} （股票代碼：{ticker}）",
|
||
),
|
||
MessagesPlaceholder(variable_name="messages"),
|
||
]
|
||
)
|
||
|
||
prompt = prompt.partial(system_message=system_message)
|
||
prompt = prompt.partial(tool_names=", ".join([tool.name for tool in tools]))
|
||
prompt = prompt.partial(current_date=current_date)
|
||
prompt = prompt.partial(ticker=ticker)
|
||
prompt = prompt.partial(company_name=state.get("company_name", ticker))
|
||
|
||
chain = prompt | llm.bind_tools(tools)
|
||
result = chain.invoke(state["messages"])
|
||
|
||
# 報告邏輯修復：只在LLM最終回應時保存報告
|
||
report = state.get("news_report", "") # 保持現有報告
|
||
|
||
if len(result.tool_calls) == 0:
|
||
# 沒有工具調用，這是最終的分析報告
|
||
report = result.content
|
||
|
||
return {
|
||
"messages": [result],
|
||
"news_report": report,
|
||
}
|
||
|
||
return news_analyst_node |