125 lines
5.6 KiB
Python
125 lines
5.6 KiB
Python
# -*- coding: utf-8 -*-
|
||
import time
|
||
import json
|
||
|
||
|
||
def create_risk_manager(llm, memory):
|
||
"""
|
||
建立一個風險管理員（裁判）節點。
|
||
|
||
這個節點扮演風險管理裁判和辯論主持人的角色。
|
||
其目標是評估激進、中立和保守三位風險分析師之間的辯論，
|
||
並根據辯論內容、分析報告以及過去的經驗，對交易員的計畫做出最終的、
|
||
經過風險調整的決策（買入、賣出或持有）。
|
||
|
||
Args:
|
||
llm: 用於生成決策的語言模型。
|
||
memory: 儲存過去情況和反思的記憶體物件。
|
||
|
||
Returns:
|
||
function: 一個代表風險管理員節點的函式，可在 langgraph 中使用。
|
||
"""
|
||
|
||
def risk_manager_node(state) -> dict:
|
||
"""
|
||
風險管理員節點的執行函式。
|
||
|
||
Args:
|
||
state (dict): 當前的圖狀態。
|
||
|
||
Returns:
|
||
dict: 更新後的狀態，包含最終的交易決策。
|
||
"""
|
||
# 從狀態中獲取所需資訊
|
||
company_name = state["company_of_interest"]
|
||
risk_debate_state = state["risk_debate_state"]
|
||
history = risk_debate_state["history"]
|
||
|
||
market_research_report = state["market_report"]
|
||
news_report = state["news_report"]
|
||
fundamentals_report = state["fundamentals_report"] # 這裡原文似乎有誤，應為 fundamentals_report
|
||
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
|
||
# 模型 gpt-4o-mini 的限制是 8192 tokens
|
||
# 混合中英文估算: 1 字符 ≈ 1.5-2 tokens (取保守值)
|
||
# 目標: 總字符數 < 3500 字符 (約 5250-7000 tokens，留足夠 tokens 給 completion)
|
||
market_research_report = truncate_text(market_research_report, 500)
|
||
sentiment_report = truncate_text(sentiment_report, 500)
|
||
news_report = truncate_text(news_report, 600)
|
||
fundamentals_report = truncate_text(fundamentals_report, 600)
|
||
trader_plan = truncate_text(trader_plan, 800)
|
||
|
||
# 整合當前情況
|
||
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）
|
||
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
|
||
# 限制辯論歷史在 1000 字符以內（風險辯論通常有3方，比投資辯論更長）
|
||
history = truncate_text(history, 1000)
|
||
|
||
# 建立提示 (prompt)
|
||
prompt = f"""作為風險管理裁判和辯論主持人，您的目標是評估三位風險分析師——激進、中立和安全/保守——之間的辯論，並為交易員確定最佳行動方案。您的決策必須產生一個明確的建議：買入、賣出或持有。僅在有特定論點強烈支持時才選擇持有，而不是在各方看起來都合理時作為後備選項。力求清晰和果斷。
|
||
|
||
決策指南：
|
||
1. **總結關鍵論點**：從每位分析師那裡提取最有力的觀點，重點關注其與當前背景的相關性。
|
||
2. **提供理由**：用辯論中的直接引述和反駁論點來支持您的建議。
|
||
3. **完善交易員計畫**：從交易員的原始計畫 **{{{trader_plan}}}** 開始，並根據分析師的見解進行調整。
|
||
4. **從過去的錯誤中學習**：利用從 **{{{past_memory_str}}}** 中學到的教訓來解決先前的誤判，並改進您現在正在做出的決策，以確保您不會做出導致虧損的錯誤買入/賣出/持有決策。
|
||
|
||
交付成果：
|
||
- 一個清晰且可操作的建議：買入、賣出或持有。
|
||
- 基於辯論和過去反思的詳細推理。
|
||
|
||
---
|
||
|
||
**分析師辯論歷史：**
|
||
{history}
|
||
|
||
---
|
||
|
||
專注於可操作的見解和持續改進。借鑒過去的教訓，批判性地評估所有觀點，並確保每個決策都能促進更好的結果。"""
|
||
|
||
# 呼叫 LLM 生成決策
|
||
response = llm.invoke(prompt)
|
||
|
||
# 更新風險辯論狀態
|
||
new_risk_debate_state = {
|
||
"judge_decision": response.content,
|
||
"history": risk_debate_state["history"],
|
||
"risky_history": risk_debate_state["risky_history"],
|
||
"safe_history": risk_debate_state["safe_history"],
|
||
"neutral_history": risk_debate_state["neutral_history"],
|
||
"latest_speaker": "Judge",
|
||
"current_risky_response": risk_debate_state["current_risky_response"],
|
||
"current_safe_response": risk_debate_state["current_safe_response"],
|
||
"current_neutral_response": risk_debate_state["current_neutral_response"],
|
||
"count": risk_debate_state["count"],
|
||
}
|
||
|
||
# 返回更新後的狀態，包括最終交易決策
|
||
return {
|
||
"risk_debate_state": new_risk_debate_state,
|
||
"final_trade_decision": response.content,
|
||
}
|
||
|
||
return risk_manager_node |