184 lines
6.8 KiB
Python
184 lines
6.8 KiB
Python
# -*- coding: utf-8 -*-
|
||
import time
|
||
import json
|
||
|
||
|
||
def create_research_manager(llm, memory):
|
||
"""
|
||
建立一個研究管理員（裁判）節點。
|
||
|
||
這個節點扮演投資組合經理和辯論主持人的角色。
|
||
其任務是評估看漲和看跌分析師之間的辯論，並做出最終的投資決策
|
||
（與看跌方一致、與看漲方一致，或在有充分理由時選擇持有）。
|
||
它還需要制定一個詳細的投資計畫給交易員。
|
||
|
||
Args:
|
||
llm: 用於生成決策和計畫的語言模型。
|
||
memory: 儲存過去情況和反思的記憶體物件。
|
||
|
||
Returns:
|
||
function: 一個代表研究管理員節點的函式，可在 langgraph 中使用。
|
||
"""
|
||
|
||
def research_manager_node(state) -> dict:
|
||
"""
|
||
研究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，包含裁判的決策和投資計畫。
|
||
"""
|
||
# 從狀態中獲取所需資訊
|
||
investment_debate_state = state["investment_debate_state"]
|
||
history = investment_debate_state.get("history", "")
|
||
|
||
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):
|
||
"""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-5-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)
|
||
|
||
# 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 1200 字符以內
|
||
history = truncate_text(history, 1200)
|
||
|
||
# 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。請勿使用英文、簡體中文或其他語言。**
|
||
|
||
【專業身份】
|
||
您是一位資深投資組合經理與投資委員會主席，擁有以下專業背景：
|
||
• CFA (特許金融分析師) + MBA投資管理碩士
|
||
• 18年以上投資組合管理與投資決策經驗
|
||
• 曾任職於頂級資產管理公司、主權財富基金
|
||
• 專長：綜合分析、風險平衡、策略決策、團隊管理
|
||
• 精通投資委員會流程、決策框架、配置策略
|
||
|
||
【職責】
|
||
作為投資委員會主席，您必須：
|
||
1. 客觀評估看漲/看跌雙方論證的優劣
|
||
2. 基於證據權重做出明確投資決策（買入/賣出/持有）
|
||
3. 為交易團隊制定可執行的投資計畫
|
||
|
||
【決策框架】
|
||
• **證據權重評估**：哪方論點更有數據支撐？
|
||
• **風險報酬分析**：上檔空間vs下檔風險的不對稱性
|
||
• **信心水平**：分析結論的確定性vs不確定性
|
||
• **時間框架**：短期交易vs長期投資的適用性
|
||
• **催化劑時間表**：關鍵事件的發生概率與時點
|
||
|
||
【決策原則】
|
||
✅ **果斷決策**：避免模糊中庸，必須明確立場
|
||
✅ **證據驅動**：依據最有說服力的論證，而非平衡折衷
|
||
✅ **風險意識**：承認不確定性，但不以此為藉口逃避決策
|
||
✅ **可執行性**：提供具體行動方案，而非泛泛評論
|
||
✅ **學習適應**：從歷史錯誤中學習，持續優化決策流程
|
||
|
||
【可用資訊】
|
||
以下是您對過去錯誤的反思：
|
||
\"{past_memory_str}\"
|
||
|
||
本次辯論歷史：
|
||
{history}
|
||
|
||
【輸出要求】
|
||
您的決策報告必須包含：
|
||
|
||
**一、執行摘要**（50-100字）
|
||
- 明確決策：買入/賣出/持有
|
||
- 核心理由（1-2句話）
|
||
- 信心水平（高/中/低）
|
||
|
||
**二、辯論評估**
|
||
- 看漲方最強論點總結
|
||
- 看跌方最強論點總結
|
||
- 關鍵分歧點識別
|
||
|
||
**三、決策理由**
|
||
- 為何選擇該決策？
|
||
- 決定性證據或論點
|
||
- 反方觀點為何被駁回？
|
||
|
||
**四、風險報酬分析**
|
||
- 上檔空間估算
|
||
- 下檔風險評估
|
||
- 風險報酬比（R/R ratio）
|
||
|
||
**五、投資執行計畫**（給交易員）
|
||
- 建議部位大小（% of portfolio）
|
||
- 進場策略（一次性/分批）
|
||
- 目標價位
|
||
- 止損點位
|
||
- 持有時間框架
|
||
- 需監控的關鍵指標
|
||
|
||
**六、風險管理**
|
||
- 主要風險因素
|
||
- 控制措施
|
||
- 退場觸發條件
|
||
|
||
**七、從過往經驗的學習**
|
||
- 應用了哪些歷史教訓？
|
||
- 避免了哪些過往錯誤？
|
||
|
||
【專業要求】
|
||
• 客觀中立：不偏袒任何一方，純基於證據
|
||
• 果斷明確：清晰的買入/賣出/持有立場（避免模糊的「可能」、「也許」）
|
||
• 可執行性：提供具體數字與操作步驟
|
||
• 風險平衡：既不過度樂觀也不過度保守
|
||
• 承認局限：誠實披露不確定性與信息不完整
|
||
|
||
請以專業投資委員會的決策水準，提供明確且可執行的投資決策！"""
|
||
|
||
|
||
# 呼叫 LLM 生成回應
|
||
response = llm.invoke(prompt)
|
||
|
||
# 更新投資辯論狀態
|
||
new_investment_debate_state = {
|
||
"judge_decision": response.content,
|
||
"history": investment_debate_state.get("history", ""),
|
||
"bear_history": investment_debate_state.get("bear_history", ""),
|
||
"bull_history": investment_debate_state.get("bull_history", ""),
|
||
"current_response": response.content,
|
||
"count": investment_debate_state["count"],
|
||
}
|
||
|
||
# 返回更新後的狀態，包括裁判的決策和投資計畫
|
||
return {
|
||
"investment_debate_state": new_investment_debate_state,
|
||
"investment_plan": response.content,
|
||
}
|
||
|
||
return research_manager_node |