""" 智策综合研判引擎 整合各智能体分析，生成板块多空/轮动/热度预测 """ from sector_strategy_agents import SectorStrategyAgents from sector_strategy_db import SectorStrategyDatabase from deepseek_client import DeepSeekClient from typing import Dict, Any import time import json import pandas as pd import logging class SectorStrategyEngine: """板块策略综合研判引擎""" def __init__(self, model="deepseek-chat"): self.model = model self.agents = SectorStrategyAgents(model=model) self.deepseek_client = DeepSeekClient(model=model) self.database = SectorStrategyDatabase() self.logger = logging.getLogger(__name__) if not self.logger.handlers: logging.basicConfig(level=logging.INFO, format='[%(asctime)s] %(levelname)s %(name)s: %(message)s') print(f"[智策引擎] 初始化完成 (模型: {model})") def save_raw_data_with_fallback(self, data_type, data_df, data_date=None): """ 保存原始数据，支持失败回退机制 Args: data_type: 数据类型 data_df: 数据DataFrame data_date: 数据日期，默认为今天 Returns: tuple: (success, version, message) """ if data_date is None: data_date = time.strftime("%Y-%m-%d") try: is_empty = False if data_df is None: is_empty = True elif hasattr(data_df, 'empty'): is_empty = data_df.empty elif isinstance(data_df, (list, tuple, set, dict)): is_empty = len(data_df) == 0 if is_empty: self.logger.warning(f"[智策引擎] {data_type}数据为空，跳过保存") return False, None, "数据为空" version = self.database.save_raw_data(data_date, data_type, data_df) return True, version, f"保存成功，版本: {version}" except Exception as e: self.logger.error(f"[智策引擎] 保存{data_type}数据失败: {e}") return False, None, str(e) def get_data_with_fallback(self, data_type, data_date=None): """ 获取数据，支持失败时回退到历史数据 Args: data_type: 数据类型 data_date: 数据日期，默认为今天 Returns: tuple: (data_df, is_fallback, message) """ if data_date is None: data_date = time.strftime("%Y-%m-%d") try: # 尝试获取指定日期的数据 data_df = self.database.get_latest_data(data_type, data_date) if not data_df.empty: return data_df, False, f"获取{data_date}数据成功" # 如果指定日期没有数据，获取最新的历史数据 self.logger.warning(f"[智策引擎] {data_date}的{data_type}数据不存在，尝试获取历史数据") data_df = self.database.get_latest_data(data_type) if not data_df.empty: fallback_date = data_df.iloc[0].get('data_date', '未知日期') return data_df, True, f"回退到{fallback_date}的历史数据" else: return pd.DataFrame(), True, "无可用的历史数据" except Exception as e: self.logger.error(f"[智策引擎] 获取{data_type}数据失败: {e}") return pd.DataFrame(), True, str(e) def run_comprehensive_analysis(self, data: Dict) -> Dict[str, Any]: """ 运行综合分析流程 Args: data: 包含市场数据的字典 Returns: 完整的分析结果 """ print("\n" + "=" * 60) print("🚀 智策综合分析系统启动") print("=" * 60) results = { "success": False, "timestamp": time.strftime("%Y-%m-%d %H:%M:%S"), "agents_analysis": {}, "comprehensive_report": "", "final_predictions": {} } try: # 1. 运行四个AI智能体分析 print("\n[阶段1] AI智能体分析集群工作中...") print("-" * 60) agents_results = {} # 宏观策略师 print("1/4 宏观策略师...") macro_result = self.agents.macro_strategist_agent( market_data=data.get("market_overview", {}), news_data=data.get("news", []) ) agents_results["macro"] = macro_result # 板块诊断师 print("2/4 板块诊断师...") sector_result = self.agents.sector_diagnostician_agent( sectors_data=data.get("sectors", {}), concepts_data=data.get("concepts", {}), market_data=data.get("market_overview", {}) ) agents_results["sector"] = sector_result # 资金流向分析师 print("3/4 资金流向分析师...") fund_result = self.agents.fund_flow_analyst_agent( fund_flow_data=data.get("sector_fund_flow", {}), north_flow_data=data.get("north_flow", {}), sectors_data=data.get("sectors", {}) ) agents_results["fund"] = fund_result # 市场情绪解码员 print("4/4 市场情绪解码员...") sentiment_result = self.agents.market_sentiment_decoder_agent( market_data=data.get("market_overview", {}), sectors_data=data.get("sectors", {}), concepts_data=data.get("concepts", {}) ) agents_results["sentiment"] = sentiment_result results["agents_analysis"] = agents_results print("\n✓ 所有智能体分析完成") # 2. 综合研判 print("\n[阶段2] 综合研判引擎工作中...") print("-" * 60) comprehensive_report = self._conduct_comprehensive_discussion(agents_results) results["comprehensive_report"] = comprehensive_report print("✓ 综合研判完成") # 3. 生成最终预测 print("\n[阶段3] 生成最终预测...") print("-" * 60) predictions = self._generate_final_predictions(comprehensive_report, agents_results, data) results["final_predictions"] = predictions print("✓ 预测生成完成") results["success"] = True # 4. 保存分析报告 print("\n[阶段4] 保存分析报告...") print("-" * 60) try: report_id = self.save_analysis_report(results, data) results["report_id"] = report_id print(f"✓ 分析报告已保存 (ID: {report_id})") # 保存后读取报告详情并回传到结果，用于主页面动态渲染 try: saved_report = self.database.get_analysis_report(report_id) if saved_report: results["saved_report"] = saved_report except Exception as fetch_e: self.logger.warning(f"[智策引擎] 获取保存报告详情失败: {fetch_e}") except Exception as e: print(f"⚠ 保存分析报告失败: {e}") self.logger.error(f"[智策引擎] 保存分析报告失败: {e}") print("\n" + "=" * 60) print("✓ 智策综合分析完成！") print("=" * 60) except Exception as e: print(f"\n✗ 分析过程出错: {e}") import traceback traceback.print_exc() results["error"] = str(e) return results def _conduct_comprehensive_discussion(self, agents_results: Dict) -> str: """ 综合研判 - 整合各智能体的分析 """ print(" 🤝 智能体团队正在综合讨论...") time.sleep(2) # 收集各分析师的报告 macro_analysis = agents_results.get("macro", {}).get("analysis", "") sector_analysis = agents_results.get("sector", {}).get("analysis", "") fund_analysis = agents_results.get("fund", {}).get("analysis", "") sentiment_analysis = agents_results.get("sentiment", {}).get("analysis", "") prompt = f""" 你是智策系统的首席策略官，现在需要综合四位专业分析师的报告，形成全面的市场和板块研判。 【宏观策略师报告】 {macro_analysis} 【板块诊断师报告】 {sector_analysis} 【资金流向分析师报告】 {fund_analysis} 【市场情绪解码员报告】 {sentiment_analysis} 请基于以上四位分析师的专业报告，进行深度综合研判： 1. **观点一致性分析** - 四位分析师的核心观点有哪些一致之处？ - 在哪些方面存在分歧或不同看法？ - 如何理解这些分歧的合理性？ 2. **多维度交叉验证** - 宏观环境、板块基本面、资金流向、市场情绪是否形成共振？ - 哪些板块得到了多维度的支持？ - 哪些板块存在多维度的风险信号？ 3. **关键矛盾识别** - 当前市场和板块的主要矛盾是什么？ - 哪些因素可能成为决定性因素？ - 如何平衡不同维度的分析结论？ 4. **综合判断** - 基于四个维度的综合分析，对市场整体趋势的判断 - 对板块轮动方向的判断 - 对市场风险收益比的评估 - 当前最值得把握的机会在哪里？ 5. **策略权重建议** - 在当前环境下，四个分析维度的重要性权重（宏观/板块/资金/情绪） - 应该重点参考哪个维度的建议？ - 需要警惕哪个维度的风险？ 请给出专业、全面的综合研判报告，体现多维度分析的价值。 """ messages = [ {"role": "system", "content": "你是智策系统的首席策略官，需要整合多维度分析，形成全面的投资策略。"}, {"role": "user", "content": prompt} ] report = self.deepseek_client.call_api(messages, max_tokens=5000) print(" ✓ 综合研判完成") return report def _generate_final_predictions(self, comprehensive_report: str, agents_results: Dict, raw_data: Dict) -> Dict: """ 生成最终预测 - 板块多空/轮动/热度 """ print(" 📊 生成板块多空/轮动/热度预测...") time.sleep(2) # 提取板块列表用于预测 sectors_list = [] if raw_data.get("sectors"): sorted_sectors = sorted(raw_data["sectors"].items(), key=lambda x: abs(x[1]["change_pct"]), reverse=True) sectors_list = [name for name, _ in sorted_sectors[:30]] # 取前30个活跃板块 sectors_str = ", ".join(sectors_list) if sectors_list else "未知板块" prompt = f""" 基于前期的深度分析和综合研判，现在需要生成最终的板块预测报告。 【综合研判结论】 {comprehensive_report} 【参考板块列表】 {sectors_str} 请生成以下三类预测，并以JSON格式输出： 1. **板块多空情况** - 看多板块（5-8个）：综合判断未来1-2周看涨的板块 - 看空板块（3-5个）：综合判断未来1-2周看跌的板块 - 中性板块（2-3个）：走势不明朗的板块 对每个板块给出： - 板块名称 - 多空判断（看多/看空/中性） - 推荐理由（100字以内） - 信心度（1-10分） - 风险提示 2. **板块轮动预测** - 当前强势板块（正在走强的2-3个板块） - 潜力接力板块（可能轮动到的3-5个板块） - 衰退板块（正在走弱的2-3个板块） 对每个板块给出： - 板块名称 - 轮动阶段（强势/潜力/衰退） - 轮动逻辑（150字以内） - 预计时间窗口 - 操作建议 3. **板块热度排行** - 最热板块TOP5（综合资金、情绪、涨幅） - 升温板块TOP5（热度快速上升的板块） - 降温板块TOP3（热度快速下降的板块） 对每个板块给出： - 板块名称 - 热度评分（0-100分） - 热度变化趋势（升温/降温/稳定） - 持续性评估（强/中/弱） 请严格按照以下JSON格式输出： {{ "long_short": {{ "bullish": [ {{ "sector": "板块名称", "direction": "看多", "reason": "推荐理由", "confidence": 8, "risk": "风险提示" }} ], "bearish": [...], "neutral": [...] }}, "rotation": {{ "current_strong": [ {{ "sector": "板块名称", "stage": "强势", "logic": "轮动逻辑", "time_window": "1-2周", "advice": "操作建议" }} ], "potential": [...], "declining": [...] }}, "heat": {{ "hottest": [ {{ "sector": "板块名称", "score": 95, "trend": "升温", "sustainability": "强" }} ], "heating": [...], "cooling": [...] }}, "summary": {{ "market_view": "市场整体看法", "key_opportunity": "核心机会", "major_risk": "主要风险", "strategy": "整体策略建议" }} }} 注意： 1. 所有板块名称必须从参考板块列表中选择 2. 分析要基于前期的多维度研判 3. 给出的建议要具体、可操作 4. 预测要客观、理性，避免过度乐观或悲观 """ messages = [ {"role": "system", "content": "你是智策系统的预测引擎，需要生成专业、精准的板块预测报告。"}, {"role": "user", "content": prompt} ] response = self.deepseek_client.call_api(messages, temperature=0.3, max_tokens=6000) # 尝试解析JSON try: import re json_match = re.search(r'\{.*\}', response, re.DOTALL) if json_match: predictions = json.loads(json_match.group()) print(" ✓ 预测报告生成成功（JSON格式）") return predictions else: print(" ⚠ 未能解析JSON，返回文本格式") return {"prediction_text": response} except Exception as e: print(f" ⚠ JSON解析失败: {e}，返回文本格式") return {"prediction_text": response} def save_analysis_report(self, results: Dict, original_data: Dict) -> int: """ 保存分析报告到数据库 Args: results: 分析结果 original_data: 原始数据 Returns: int: 报告ID """ try: # 提取数据日期范围 data_date_range = f"{time.strftime('%Y-%m-%d')} 数据分析" # 提取推荐板块 recommended_sectors = [] predictions = results.get("final_predictions", {}) if isinstance(predictions, dict): # 从预测结果中提取推荐板块 hot_sectors = predictions.get("hot_sectors", []) rotation_sectors = predictions.get("rotation_opportunities", []) for sector in hot_sectors[:5]: # 取前5个热门板块 if isinstance(sector, dict): recommended_sectors.append({ "sector_name": sector.get("name", ""), "reason": sector.get("reason", ""), "confidence": sector.get("confidence", ""), "type": "热门板块" }) for sector in rotation_sectors[:3]: # 取前3个轮动机会 if isinstance(sector, dict): recommended_sectors.append({ "sector_name": sector.get("name", ""), "reason": sector.get("reason", ""), "confidence": sector.get("confidence", ""), "type": "轮动机会" }) # 生成摘要 summary = self._generate_report_summary(results) # 提取其他信息 confidence_score = self._extract_confidence_score(results) risk_level = self._extract_risk_level(results) investment_horizon = self._extract_investment_horizon(results) market_outlook = self._extract_market_outlook(results) # 保存到数据库 report_id = self.database.save_analysis_report( data_date_range=data_date_range, analysis_content=results, recommended_sectors=recommended_sectors, summary=summary, confidence_score=confidence_score, risk_level=risk_level, investment_horizon=investment_horizon, market_outlook=market_outlook ) return report_id except Exception as e: self.logger.error(f"[智策引擎] 保存分析报告失败: {e}") raise def _generate_report_summary(self, results: Dict) -> str: """生成报告摘要""" try: predictions = results.get("final_predictions", {}) if isinstance(predictions, dict): # 从summary中提取市场趋势信息 summary_info = predictions.get("summary", {}) market_trend = summary_info.get("market_view", "") if isinstance(summary_info, dict) else "" # 从long_short.bullish中计算热门板块数量 long_short_info = predictions.get("long_short", {}) bullish_sectors = long_short_info.get("bullish", []) if isinstance(long_short_info, dict) else [] hot_sectors_count = len(bullish_sectors) # 如果有看多板块信息，则添加到摘要中 if bullish_sectors and isinstance(bullish_sectors, list): # 提取前3个看多板块名称 bullish_names = [sector.get("sector", "") for sector in bullish_sectors[:3] if isinstance(sector, dict)] if bullish_names: bullish_text = "，".join(bullish_names) return f"市场趋势: {market_trend}，识别{hot_sectors_count}个热门板块机会，看多板块: {bullish_text}" return f"市场趋势: {market_trend}，识别{hot_sectors_count}个热门板块机会" else: return "智策板块分析报告" except: return "智策板块分析报告" def _extract_confidence_score(self, results: Dict) -> float: """提取置信度分数""" try: predictions = results.get("final_predictions", {}) if isinstance(predictions, dict): return predictions.get("confidence_score", 0.75) return 0.75 except: return 0.75 def _extract_risk_level(self, results: Dict) -> str: """提取风险等级""" try: predictions = results.get("final_predictions", {}) if isinstance(predictions, dict): return predictions.get("risk_level", "中等") return "中等" except: return "中等" def _extract_investment_horizon(self, results: Dict) -> str: """提取投资周期""" try: predictions = results.get("final_predictions", {}) if isinstance(predictions, dict): return predictions.get("investment_horizon", "短期") return "短期" except: return "短期" def _extract_market_outlook(self, results: Dict) -> str: """提取市场展望""" try: predictions = results.get("final_predictions", {}) if isinstance(predictions, dict): return predictions.get("market_outlook", "谨慎乐观") return "谨慎乐观" except: return "谨慎乐观" def get_historical_reports(self, limit=10): """获取历史报告""" return self.database.get_analysis_reports(limit) def get_report_detail(self, report_id): """获取报告详情""" return self.database.get_analysis_report(report_id) def delete_report(self, report_id): """删除报告""" return self.database.delete_analysis_report(report_id) # 测试函数 if __name__ == "__main__": print("=" * 60) print("测试智策综合研判引擎") print("=" * 60) # 创建模拟数据 test_data = { "success": True, "sectors": { "电子": {"change_pct": 2.5, "turnover": 3.5, "top_stock": "某某科技", "top_stock_change": 5.0, "up_count": 80, "down_count": 20}, "计算机": {"change_pct": 1.8, "turnover": 4.0, "top_stock": "某某软件", "top_stock_change": 4.5, "up_count": 70, "down_count": 30} }, "market_overview": { "sh_index": {"close": 3200, "change_pct": 0.5}, "total_stocks": 5000, "up_count": 3000, "up_ratio": 60.0 }, "news": [ {"title": "测试新闻", "content": "测试内容", "publish_time": "2024-01-15"} ], "sector_fund_flow": { "today": [ {"sector": "电子", "main_net_inflow": 100000, "main_net_inflow_pct": 2.0, "change_pct": 2.5, "super_large_net_inflow": 50000} ] }, "north_flow": { "date": "2024-01-15", "north_net_inflow": 50000 } } engine = SectorStrategyEngine() print("\n开始综合分析...") # 注意：这只是测试框架，实际运行需要真实数据和API key # results = engine.run_comprehensive_analysis(test_data) # print(f"\n分析结果: {results.get('success')}")