143 lines
5.6 KiB
Python
143 lines
5.6 KiB
Python
# -*- coding: utf-8 -*-
|
||
import functools
|
||
import time
|
||
import json
|
||
|
||
|
||
def create_trader(llm, memory):
|
||
"""
|
||
建立一個交易員節點。
|
||
|
||
這個節點扮演交易員的角色，其任務是根據分析師團隊和研究團隊提供的綜合投資計畫，
|
||
做出最終的交易決策（買入、賣出或持有）。
|
||
它還會利用過去的交易經驗（記憶）來輔助決策。
|
||
|
||
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: 一個代表交易員節點的函式，可在 langgraph 中使用。
|
||
"""
|
||
|
||
def trader_node(state, name):
|
||
"""
|
||
交易員節點的執行函式。
|
||
|
||
Args:
|
||
state (dict): 當前的圖狀態。
|
||
name (str): 節點的名稱。
|
||
|
||
Returns:
|
||
dict: 更新後的狀態，包含交易員的投資計畫和決策。
|
||
"""
|
||
# 從狀態中獲取所需資訊
|
||
company_name = state["company_of_interest"]
|
||
investment_plan = state["investment_plan"]
|
||
market_research_report = state["market_report"]
|
||
sentiment_report = state["sentiment_report"]
|
||
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):
|
||
"""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)"
|
||
|
||
# 截斷各類報告以控制 token 使用量
|
||
# 這些報告將用於記憶檢索（embedding）和 LLM prompt
|
||
market_research_report_truncated = truncate_text(market_research_report, 500)
|
||
sentiment_report_truncated = truncate_text(sentiment_report, 500)
|
||
news_report_truncated = truncate_text(news_report, 600)
|
||
fundamentals_report_truncated = truncate_text(fundamentals_report, 600)
|
||
investment_plan_truncated = truncate_text(investment_plan, 800)
|
||
|
||
# 整合當前情況（用於記憶檢索）
|
||
curr_situation = f"{market_research_report_truncated}\n\n{sentiment_report_truncated}\n\n{news_report_truncated}\n\n{fundamentals_report_truncated}"
|
||
|
||
# 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 = ""
|
||
if past_memories:
|
||
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"
|
||
else:
|
||
past_memory_str = "找不到過去的記憶。"
|
||
|
||
# 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。**
|
||
|
||
【專業身份】
|
||
您是交易執行專家，負責將分析轉化為精確的下單指令。
|
||
|
||
【職責】
|
||
1. **綜合研判**：結合研究與風控的意見。
|
||
2. **擬定指令**：什麼價格買？買多少？什麼時候跑？
|
||
3. **執行紀律**：嚴格遵守交易計畫。
|
||
|
||
【可用資訊】
|
||
- 投資計畫：{investment_plan_truncated}
|
||
- 過去反思：{past_memory_str}
|
||
|
||
【輸出要求】
|
||
**長度**：300-450字（精確執行）
|
||
**結構**：
|
||
1. 最終決策（50字）：買入、賣出或持有。
|
||
2. 綜合分析（100字）：為什麼這樣決定？
|
||
3. 交易計畫（150字）：
|
||
- 進場價位/區間
|
||
- 資金比例（%）
|
||
- 目標價（獲利點）
|
||
- 停損價（停損點）
|
||
4. 監控重點（50字）：接下來要盯什麼？
|
||
|
||
**注意**：
|
||
- 決策必須明確（買/賣/持）。
|
||
- 數字要精確。
|
||
- 務實可執行。
|
||
|
||
請以「最終交易提案：**買入/持有/賣出**」結束回應！"""
|
||
|
||
# 建立傳送給 LLM 的訊息列表
|
||
messages = [
|
||
{
|
||
"role": "system",
|
||
"content": f"""您是一位分析市場數據以做出投資決策的交易代理。根據您的分析，提供具體的買入、賣出或持有建議。以堅定的決策結束，並始終以「最終交易提案：**買入/持有/賣出**」來結束您的回應，以確認您的建議。不要忘記利用過去決策的教訓來從錯誤中學習。以下是您在類似情況下交易的一些反思和學到的教訓：{past_memory_str}""",
|
||
},
|
||
{
|
||
"role": "user",
|
||
"content": prompt,
|
||
},
|
||
]
|
||
|
||
# 呼叫 LLM 生成決策
|
||
result = llm.invoke(messages)
|
||
|
||
# 返回更新後的狀態
|
||
return {
|
||
"messages": [result],
|
||
"trader_investment_plan": result.content,
|
||
"sender": name,
|
||
}
|
||
|
||
# 使用 functools.partial 來固定節點名稱
|
||
return functools.partial(trader_node, name="Trader") |