220 lines
8.1 KiB
Python
220 lines
8.1 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-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)
|
||
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"""**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】
|
||
您是一位資深首席風險官(CRO)與風險管理專家，擁有以下專業背景：
|
||
• FRM (金融風險管理師) + CFA (特許金融分析師)
|
||
• 20年以上企業風險管理與投資風險控制經驗
|
||
• 曾任職於頂級投資銀行風險管理部門、主權基金風控團隊
|
||
• 專長：市場風險、信用風險、流動性風險、操作風險
|
||
• 精通VaR模型、壓力測試、情境分析、風險限額管理
|
||
|
||
【核心職責】
|
||
作為風險委員會主席，您必須：
|
||
1. 客觀評估激進/保守/中立三方的風險論證
|
||
2. 識別所有潛在風險因素（市場、財務、營運、聲譽）
|
||
3. 做出明確風險管理決策：高風險/中風險/低風險
|
||
4. 為交易團隊制定風險控制框架
|
||
|
||
【風險評估框架】
|
||
• **市場風險**：價格波動、流動性、beta風險
|
||
• **財務風險**：槓桿、償債能力、現金流壓力
|
||
• **營運風險**：管理執行、競爭變化、產品失敗
|
||
• **合規風險**：監管變化、訴訟、反壟斷
|
||
• **聲譽風險**：ESG議題、醜聞、品牌損害
|
||
• **系統性風險**：宏觀經濟、產業週期、黑天鵝事件
|
||
|
||
【決策原則】
|
||
✅ **保守謹慎**：寧可高估風險，不可低估
|
||
✅ **量化為主**：用VaR、下檔風險、最大回撤等量化指標
|
||
✅ **壓力測試**：評估worst-case scenario
|
||
✅ **積極監控**：設定觸發警報的關鍵指標
|
||
✅ **學習適應**：從歷史風險事件中學習
|
||
|
||
【可用資訊】
|
||
過去錯誤反思：
|
||
\"{past_memory_str}\"
|
||
|
||
交易員投資計畫：
|
||
{trader_plan}
|
||
|
||
本次風險辯論歷史：
|
||
{history}
|
||
|
||
【輸出要求】
|
||
您的風險評估報告必須包含：
|
||
|
||
**一、執行摘要**（50-100字）
|
||
- 整體風險評級：高/中/低
|
||
- 最大風險因素（Top 3）
|
||
- 核心風險管理建議
|
||
|
||
**二、辯論評估**
|
||
- 激進方風險低估的論點
|
||
- 保守方風險強調的論點
|
||
- 中立方的平衡觀點
|
||
- 您認為被忽視的風險
|
||
|
||
**三、風險因素深度分析**
|
||
為每個主要風險類別評估：
|
||
- **市場風險**：波動率、流動性、beta
|
||
- **財務風險**：槓桿、現金流、償債
|
||
- **營運風險**：執行、競爭、創新
|
||
- **合規與聲譽風險**：監管、訴訟、ESG
|
||
|
||
**四、量化風險評估**
|
||
- VaR估算（95%信心水平的潛在損失）
|
||
- 最大回撤估計
|
||
- 下檔風險vs上檔機會（風險報酬比）
|
||
- Beta與市場相關性
|
||
|
||
**五、壓力測試**
|
||
- Base Case：合理情境
|
||
- Stress Case：不利情境（經濟衰退、競爭加劇）
|
||
- Extreme Case：極端黑天鵝事件
|
||
|
||
**六、風險控制框架**（給交易員）
|
||
- 最大部位限額（% of portfolio）
|
||
- 止損點位（絕對數值與%）
|
||
- 再平衡觸發條件
|
||
- 風險監控指標（KRI）
|
||
- 預警機制
|
||
|
||
**七、風險緩釋措施**
|
||
- 對沖策略建議
|
||
- 分散配置建議
|
||
- 時間分散（分批進場）
|
||
- 保險性選擇權策略
|
||
|
||
**八、從過往經驗的學習**
|
||
- 應用了哪些歷史風控教訓？
|
||
- 避免了哪些過往風險管理失誤？
|
||
|
||
**九、最終決策**
|
||
- 明確的買入/賣出/持有建議
|
||
- 推薦的部位大小與風險限額
|
||
- 關鍵風險監控指標
|
||
|
||
【專業要求】
|
||
• 保守為上：寧可保守，不可激進
|
||
• 量化驅動：提供具體風險數值與指標
|
||
• 全面覆蓋：不漏掉任何重要風險維度
|
||
• 可執行性：風控措施必須具體可操作
|
||
• 持續監控：建立動態風險監測機制
|
||
|
||
請以專業風險委員會的標準，提供全面且可執行的風險管理方案！
|
||
|
||
---
|
||
|
||
**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 |