songzhuoyuan
541 lines
22 KiB
Python
541 lines
22 KiB
Python
from deepseek_client import DeepSeekClient
|
||
from typing import Dict, Any
|
||
import concurrent.futures
|
||
import time
|
||
import config
|
||
|
||
class StockAnalysisAgents:
|
||
"""股票分析AI智能体集合"""
|
||
|
||
def __init__(self, model=None):
|
||
self.model = model or config.DEFAULT_MODEL_NAME
|
||
self.deepseek_client = DeepSeekClient(model=self.model)
|
||
|
||
def technical_analyst_agent(self, stock_info: Dict, stock_data: Any, indicators: Dict) -> Dict[str, Any]:
|
||
"""技术面分析智能体"""
|
||
print("🔍 技术分析师正在分析中...")
|
||
|
||
analysis = self.deepseek_client.technical_analysis(stock_info, stock_data, indicators)
|
||
|
||
return {
|
||
"agent_name": "技术分析师",
|
||
"agent_role": "负责技术指标分析、图表形态识别、趋势判断",
|
||
"analysis": analysis,
|
||
"focus_areas": ["技术指标", "趋势分析", "支撑阻力", "交易信号"],
|
||
"timestamp": time.strftime("%Y-%m-%d %H:%M:%S")
|
||
}
|
||
|
||
def fundamental_analyst_agent(self, stock_info: Dict, financial_data: Dict = None, quarterly_data: Dict = None) -> Dict[str, Any]:
|
||
"""基本面分析智能体"""
|
||
print("📊 基本面分析师正在分析中...")
|
||
|
||
# 如果有季报数据，显示数据来源
|
||
if quarterly_data and quarterly_data.get('data_success'):
|
||
income_count = quarterly_data.get('income_statement', {}).get('periods', 0) if quarterly_data.get('income_statement') else 0
|
||
balance_count = quarterly_data.get('balance_sheet', {}).get('periods', 0) if quarterly_data.get('balance_sheet') else 0
|
||
cash_flow_count = quarterly_data.get('cash_flow', {}).get('periods', 0) if quarterly_data.get('cash_flow') else 0
|
||
print(f" ✓ 已获取季报数据：利润表{income_count}期，资产负债表{balance_count}期，现金流量表{cash_flow_count}期")
|
||
else:
|
||
print(" ⚠ 未获取到季报数据，将基于基本财务数据分析")
|
||
|
||
analysis = self.deepseek_client.fundamental_analysis(stock_info, financial_data, quarterly_data)
|
||
|
||
return {
|
||
"agent_name": "基本面分析师",
|
||
"agent_role": "负责公司财务分析、行业研究、估值分析",
|
||
"analysis": analysis,
|
||
"focus_areas": ["财务指标", "行业分析", "公司价值", "成长性", "季报趋势"],
|
||
"quarterly_data": quarterly_data, # 保存季报数据以供后续使用
|
||
"timestamp": time.strftime("%Y-%m-%d %H:%M:%S")
|
||
}
|
||
|
||
def fund_flow_analyst_agent(self, stock_info: Dict, indicators: Dict, fund_flow_data: Dict = None) -> Dict[str, Any]:
|
||
"""资金面分析智能体"""
|
||
print("💰 资金面分析师正在分析中...")
|
||
|
||
# 如果有资金流向数据，显示数据来源
|
||
if fund_flow_data and fund_flow_data.get('data_success'):
|
||
print(" ✓ 已获取资金流向数据（akshare数据源）")
|
||
else:
|
||
print(" ⚠ 未获取到资金流向数据，将基于技术指标分析")
|
||
|
||
analysis = self.deepseek_client.fund_flow_analysis(stock_info, indicators, fund_flow_data)
|
||
|
||
return {
|
||
"agent_name": "资金面分析师",
|
||
"agent_role": "负责资金流向分析、主力行为研究、市场情绪判断",
|
||
"analysis": analysis,
|
||
"focus_areas": ["资金流向", "主力动向", "市场情绪", "流动性"],
|
||
"fund_flow_data": fund_flow_data, # 保存资金流向数据以供后续使用
|
||
"timestamp": time.strftime("%Y-%m-%d %H:%M:%S")
|
||
}
|
||
|
||
def risk_management_agent(self, stock_info: Dict, indicators: Dict, risk_data: Dict = None) -> Dict[str, Any]:
|
||
"""风险管理智能体（增强版）"""
|
||
print("⚠️ 风险管理师正在评估中...")
|
||
|
||
# 如果有风险数据，显示数据来源
|
||
if risk_data and risk_data.get('data_success'):
|
||
print(" ✓ 已获取问财风险数据（限售解禁、大股东减持、重要事件）")
|
||
else:
|
||
print(" ⚠ 未获取到风险数据，将基于基本信息分析")
|
||
|
||
# 构建风险数据文本
|
||
risk_data_text = ""
|
||
if risk_data and risk_data.get('data_success'):
|
||
# 使用格式化的风险数据
|
||
from risk_data_fetcher import RiskDataFetcher
|
||
fetcher = RiskDataFetcher()
|
||
risk_data_text = f"""
|
||
|
||
【实际风险数据】（来自问财）
|
||
{fetcher.format_risk_data_for_ai(risk_data)}
|
||
|
||
以上是通过问财（pywencai）获取的实际风险数据，请重点关注这些数据进行深度风险分析。
|
||
"""
|
||
|
||
risk_prompt = f"""
|
||
作为资深风险管理专家，请基于以下信息进行全面深度的风险评估：
|
||
|
||
股票信息：
|
||
- 股票代码：{stock_info.get('symbol', 'N/A')}
|
||
- 股票名称：{stock_info.get('name', 'N/A')}
|
||
- 当前价格：{stock_info.get('current_price', 'N/A')}
|
||
- Beta系数：{stock_info.get('beta', 'N/A')}
|
||
- 52周最高：{stock_info.get('52_week_high', 'N/A')}
|
||
- 52周最低：{stock_info.get('52_week_low', 'N/A')}
|
||
|
||
技术指标：
|
||
- RSI：{indicators.get('rsi', 'N/A')}
|
||
- 布林带位置：当前价格相对于上下轨的位置
|
||
- 波动率指标等
|
||
{risk_data_text}
|
||
|
||
⚠️ 重要提示：以上风险数据是从问财（pywencai）实时查询的完整原始数据，请你：
|
||
1. 仔细解析每一条记录的所有字段信息
|
||
2. 识别数据中的关键风险点（时间、规模、频率、股东身份等）
|
||
3. 对数据进行深度分析，不要遗漏任何重要信息
|
||
4. 如果数据中有日期字段，要特别关注最近的记录和即将发生的事件
|
||
5. 如果数据中有金额/比例字段，要评估其规模和影响力
|
||
6. 基于实际数据给出量化的风险评估，而不是空泛的描述
|
||
|
||
请从以下角度进行全面的风险评估：
|
||
|
||
1. **限售解禁风险分析** ⭐ 重点
|
||
- 解禁时间和规模评估
|
||
- 解禁对股价的潜在冲击
|
||
- 解禁股东类型分析（创始人/投资机构/其他）
|
||
- 历史解禁后股价走势参考
|
||
- 风险等级评定和应对建议
|
||
|
||
2. **股东减持风险分析** ⭐ 重点
|
||
- 减持频率和力度评估
|
||
- 减持股东身份和意图分析
|
||
- 减持对市场信心的影响
|
||
- 是否存在连续减持或集中减持
|
||
- 风险警示和投资建议
|
||
|
||
3. **重要事件风险分析** ⭐ 重点
|
||
- 识别可能影响股价的重大事件
|
||
- 事件性质判断（利好/利空/中性）
|
||
- 事件影响的时间维度（短期/中期/长期）
|
||
- 事件的确定性和不确定性
|
||
- 风险提示和关注要点
|
||
|
||
4. **市场风险（系统性风险）**
|
||
- 宏观经济环境风险
|
||
- 市场整体走势风险
|
||
- Beta系数反映的市场敏感度
|
||
- 系统性风险应对策略
|
||
|
||
5. **个股风险（非系统性风险）**
|
||
- 公司基本面风险
|
||
- 经营管理风险
|
||
- 竞争力风险
|
||
- 行业地位风险
|
||
|
||
6. **流动性风险**
|
||
- 成交量和换手率分析
|
||
- 买卖盘深度评估
|
||
- 流动性枯竭风险
|
||
- 大额交易影响评估
|
||
|
||
7. **波动性风险**
|
||
- 价格波动幅度分析
|
||
- 52周最高最低位分析
|
||
- RSI等技术指标的风险提示
|
||
- 波动率对投资的影响
|
||
|
||
8. **估值风险**
|
||
- 当前估值水平评估
|
||
- 市场预期和估值偏差
|
||
- 估值过高风险警示
|
||
|
||
9. **行业风险**
|
||
- 行业周期阶段
|
||
- 行业竞争格局
|
||
- 行业政策风险
|
||
- 行业技术变革风险
|
||
|
||
10. **综合风险评定**
|
||
- 风险等级评定（低/中/高）
|
||
- 主要风险因素排序
|
||
- 风险暴露时间窗口
|
||
- 风险演变趋势判断
|
||
|
||
11. **风险控制建议** ⭐ 核心
|
||
- 仓位控制建议（具体比例）
|
||
- 止损位设置建议（具体价位）
|
||
- 风险规避策略（什么情况下不建议投资）
|
||
- 风险对冲方案（如果适用）
|
||
- 持仓时间建议
|
||
- 重点关注指标和信号
|
||
|
||
请基于实际数据进行客观、专业、严谨的风险评估，给出可操作的风险控制建议。
|
||
如果某些风险数据缺失，也要指出数据缺失本身可能带来的风险。
|
||
"""
|
||
|
||
messages = [
|
||
{"role": "system", "content": "你是一名资深的风险管理专家，具有20年以上的风险识别和控制经验，擅长全面评估各类投资风险，特别关注限售解禁、股东减持、重要事件等可能影响股价的风险因素。你擅长从海量原始数据中提取关键信息，进行深度解析和量化评估。"},
|
||
{"role": "user", "content": risk_prompt}
|
||
]
|
||
|
||
analysis = self.deepseek_client.call_api(messages, max_tokens=6000)
|
||
|
||
return {
|
||
"agent_name": "风险管理师",
|
||
"agent_role": "负责风险识别、风险评估、风险控制策略制定",
|
||
"analysis": analysis,
|
||
"focus_areas": ["限售解禁风险", "股东减持风险", "重要事件风险", "风险识别", "风险量化", "风险控制", "资产配置"],
|
||
"risk_data": risk_data, # 保存风险数据以供后续使用
|
||
"timestamp": time.strftime("%Y-%m-%d %H:%M:%S")
|
||
}
|
||
|
||
def market_sentiment_agent(self, stock_info: Dict, sentiment_data: Dict = None) -> Dict[str, Any]:
|
||
"""市场情绪分析智能体"""
|
||
print("📈 市场情绪分析师正在分析中...")
|
||
|
||
# 如果有市场情绪数据，显示数据来源
|
||
if sentiment_data and sentiment_data.get('data_success'):
|
||
print(" ✓ 已获取市场情绪数据（ARBR、换手率、涨跌停等）")
|
||
else:
|
||
print(" ⚠ 未获取到详细情绪数据，将基于基本信息分析")
|
||
|
||
# 构建带有市场情绪数据的prompt
|
||
sentiment_data_text = ""
|
||
if sentiment_data and sentiment_data.get('data_success'):
|
||
# 使用格式化的市场情绪数据
|
||
from market_sentiment_data import MarketSentimentDataFetcher
|
||
fetcher = MarketSentimentDataFetcher()
|
||
sentiment_data_text = f"""
|
||
|
||
【市场情绪实际数据】
|
||
{fetcher.format_sentiment_data_for_ai(sentiment_data)}
|
||
|
||
以上是通过akshare获取的实际市场情绪数据，请重点基于这些数据进行分析。
|
||
"""
|
||
|
||
sentiment_prompt = f"""
|
||
作为市场情绪分析专家，请基于当前市场环境和实际数据对以下股票进行情绪分析：
|
||
|
||
股票信息：
|
||
- 股票代码：{stock_info.get('symbol', 'N/A')}
|
||
- 股票名称：{stock_info.get('name', 'N/A')}
|
||
- 行业：{stock_info.get('sector', 'N/A')}
|
||
- 细分行业：{stock_info.get('industry', 'N/A')}
|
||
{sentiment_data_text}
|
||
|
||
请从以下角度进行深度分析：
|
||
|
||
1. **ARBR情绪指标分析**
|
||
- 详细解读AR和BR数值的含义
|
||
- 分析当前市场人气和投机意愿
|
||
- 判断是否存在超买超卖情况
|
||
- 基于ARBR历史统计数据评估当前位置
|
||
|
||
2. **个股活跃度分析**
|
||
- 换手率反映的资金活跃程度
|
||
- 个股关注度和讨论热度
|
||
- 与历史水平对比
|
||
|
||
3. **整体市场情绪**
|
||
- 大盘涨跌情况对个股的影响
|
||
- 市场涨跌家数反映的整体情绪
|
||
- 涨跌停数量反映的市场热度
|
||
- 恐慌贪婪指数的启示
|
||
|
||
4. **资金情绪**
|
||
- 融资融券数据反映的看多看空情绪
|
||
- 主力资金动向
|
||
- 市场流动性状况
|
||
|
||
5. **情绪对股价影响**
|
||
- 当前情绪对股价的支撑或压制作用
|
||
- 情绪反转的可能性和信号
|
||
- 短期情绪波动风险
|
||
|
||
6. **投资建议**
|
||
- 基于市场情绪的操作建议
|
||
- 情绪面的机会和风险提示
|
||
|
||
请确保分析基于实际数据，给出客观专业的市场情绪评估。
|
||
"""
|
||
|
||
messages = [
|
||
{"role": "system", "content": "你是一名专业的市场情绪分析师，擅长解读市场心理和投资者行为，善于利用ARBR等情绪指标进行分析。"},
|
||
{"role": "user", "content": sentiment_prompt}
|
||
]
|
||
|
||
analysis = self.deepseek_client.call_api(messages, max_tokens=4000)
|
||
|
||
return {
|
||
"agent_name": "市场情绪分析师",
|
||
"agent_role": "负责市场情绪研究、投资者心理分析、热点追踪",
|
||
"analysis": analysis,
|
||
"focus_areas": ["ARBR指标", "市场情绪", "投资者心理", "资金活跃度", "恐慌贪婪指数"],
|
||
"sentiment_data": sentiment_data, # 保存市场情绪数据以供后续使用
|
||
"timestamp": time.strftime("%Y-%m-%d %H:%M:%S")
|
||
}
|
||
|
||
def news_analyst_agent(self, stock_info: Dict, news_data: Dict = None) -> Dict[str, Any]:
|
||
"""新闻分析智能体"""
|
||
print("📰 新闻分析师正在分析中...")
|
||
|
||
# 如果有新闻数据，显示数据来源
|
||
if news_data and news_data.get('data_success'):
|
||
news_count = news_data.get('news_data', {}).get('count', 0) if news_data.get('news_data') else 0
|
||
source = news_data.get('source', 'unknown')
|
||
print(f" ✓ 已从 {source} 获取 {news_count} 条新闻")
|
||
else:
|
||
print(" ⚠ 未获取到新闻数据，将基于基本信息分析")
|
||
|
||
# 构建带有新闻数据的prompt
|
||
news_text = ""
|
||
if news_data and news_data.get('data_success'):
|
||
# 使用格式化的新闻数据
|
||
from qstock_news_data import QStockNewsDataFetcher
|
||
fetcher = QStockNewsDataFetcher()
|
||
news_text = f"""
|
||
|
||
【最新新闻数据】
|
||
{fetcher.format_news_for_ai(news_data)}
|
||
|
||
以上是通过qstock获取的实际新闻数据，请重点基于这些数据进行分析。
|
||
"""
|
||
|
||
news_prompt = f"""
|
||
作为专业的新闻分析师，请基于最新的新闻对以下股票进行深度分析：
|
||
|
||
股票信息：
|
||
- 股票代码：{stock_info.get('symbol', 'N/A')}
|
||
- 股票名称：{stock_info.get('name', 'N/A')}
|
||
- 行业：{stock_info.get('sector', 'N/A')}
|
||
- 细分行业：{stock_info.get('industry', 'N/A')}
|
||
{news_text}
|
||
|
||
请从以下角度进行深度分析：
|
||
|
||
1. **新闻概要**
|
||
- 梳理最新的重要新闻
|
||
- 总结核心要点和关键信息
|
||
- 按重要性排序新闻
|
||
|
||
2. **新闻性质分析**
|
||
- 分析新闻的性质（利好/利空/中性）
|
||
- 评估新闻的可信度和权威性
|
||
- 识别新闻来源和传播范围
|
||
|
||
3. **影响评估**
|
||
- 评估新闻对股价的短期影响
|
||
- 分析新闻对公司长期发展的影响
|
||
- 判断新闻对行业的影响范围
|
||
|
||
4. **热点识别**
|
||
- 识别市场关注的热点和焦点
|
||
- 分析该股票在市场中的关注度
|
||
- 评估舆论导向和市场情绪
|
||
|
||
5. **重大事件识别**
|
||
- 识别可能影响股价的重大事件
|
||
- 评估事件的紧迫性和重要性
|
||
- 预判后续可能的发展和连锁反应
|
||
|
||
6. **市场反应预判**
|
||
- 预测市场对新闻的可能反应
|
||
- 判断是否存在预期差
|
||
- 识别可能的交易机会窗口
|
||
|
||
7. **风险提示**
|
||
- 识别新闻中的风险信号
|
||
- 评估潜在的负面影响
|
||
- 提示需要警惕的风险点
|
||
|
||
8. **投资建议**
|
||
- 基于新闻的操作建议
|
||
- 关键时间节点和观察点
|
||
- 需要持续关注的事项
|
||
|
||
请确保分析客观、专业，重点关注对投资决策有实质性影响的内容。
|
||
如果某些新闻的重要性较低，可以简要提及或略过。
|
||
"""
|
||
|
||
messages = [
|
||
{"role": "system", "content": "你是一名专业的新闻分析师，擅长解读新闻事件、舆情分析，评估新闻对股价的影响。你具有敏锐的洞察力和丰富的市场经验。"},
|
||
{"role": "user", "content": news_prompt}
|
||
]
|
||
|
||
analysis = self.deepseek_client.call_api(messages, max_tokens=4000)
|
||
|
||
return {
|
||
"agent_name": "新闻分析师",
|
||
"agent_role": "负责新闻事件分析、舆情研究、重大事件影响评估",
|
||
"analysis": analysis,
|
||
"focus_areas": ["新闻解读", "舆情分析", "事件影响", "市场反应", "投资机会"],
|
||
"news_data": news_data, # 保存新闻数据以供后续使用
|
||
"timestamp": time.strftime("%Y-%m-%d %H:%M:%S")
|
||
}
|
||
|
||
def run_multi_agent_analysis(self, stock_info: Dict, stock_data: Any, indicators: Dict,
|
||
financial_data: Dict = None, fund_flow_data: Dict = None,
|
||
sentiment_data: Dict = None, news_data: Dict = None,
|
||
quarterly_data: Dict = None, risk_data: Dict = None,
|
||
enabled_analysts: Dict = None) -> Dict[str, Any]:
|
||
"""运行多智能体分析
|
||
|
||
Args:
|
||
enabled_analysts: 字典，指定哪些分析师参与分析
|
||
例如: {'technical': True, 'fundamental': True, ...}
|
||
如果为None，则运行所有分析师
|
||
"""
|
||
# 如果未指定，默认所有分析师都参与
|
||
if enabled_analysts is None:
|
||
enabled_analysts = {
|
||
'technical': True,
|
||
'fundamental': True,
|
||
'fund_flow': True,
|
||
'risk': True,
|
||
'sentiment': True,
|
||
'news': True
|
||
}
|
||
|
||
print("🚀 启动多智能体股票分析系统...")
|
||
print("=" * 50)
|
||
|
||
# 显示参与分析的分析师
|
||
active_analysts = [name for name, enabled in enabled_analysts.items() if enabled]
|
||
print(f"📋 参与分析的分析师: {', '.join(active_analysts)}")
|
||
print("=" * 50)
|
||
|
||
# 并行运行各个分析师（全部同时启动，等待最慢的一个完成）
|
||
agents_results = {}
|
||
|
||
agent_jobs = []
|
||
if enabled_analysts.get('technical', True):
|
||
agent_jobs.append(("technical", lambda: self.technical_analyst_agent(stock_info, stock_data, indicators)))
|
||
if enabled_analysts.get('fundamental', True):
|
||
agent_jobs.append(("fundamental", lambda: self.fundamental_analyst_agent(stock_info, financial_data, quarterly_data)))
|
||
if enabled_analysts.get('fund_flow', True):
|
||
agent_jobs.append(("fund_flow", lambda: self.fund_flow_analyst_agent(stock_info, indicators, fund_flow_data)))
|
||
if enabled_analysts.get('risk', True):
|
||
agent_jobs.append(("risk_management", lambda: self.risk_management_agent(stock_info, indicators, risk_data)))
|
||
if enabled_analysts.get('sentiment', False):
|
||
agent_jobs.append(("market_sentiment", lambda: self.market_sentiment_agent(stock_info, sentiment_data)))
|
||
if enabled_analysts.get('news', False):
|
||
agent_jobs.append(("news", lambda: self.news_analyst_agent(stock_info, news_data)))
|
||
|
||
with concurrent.futures.ThreadPoolExecutor(max_workers=max(min(len(agent_jobs), 6), 1)) as executor:
|
||
future_to_key = {executor.submit(job): key for key, job in agent_jobs}
|
||
for future in concurrent.futures.as_completed(future_to_key):
|
||
key = future_to_key[future]
|
||
try:
|
||
agents_results[key] = future.result()
|
||
except Exception as e:
|
||
print(f"❌ {key} 分析师并行分析失败: {e}")
|
||
agents_results[key] = {
|
||
"agent_name": key,
|
||
"agent_role": "",
|
||
"analysis": f"分析失败: {e}",
|
||
"focus_areas": [],
|
||
"timestamp": time.strftime("%Y-%m-%d %H:%M:%S")
|
||
}
|
||
|
||
print("✅ 所有已选择的分析师完成分析")
|
||
print("=" * 50)
|
||
|
||
return agents_results
|
||
|
||
def conduct_team_discussion(self, agents_results: Dict[str, Any], stock_info: Dict) -> str:
|
||
"""进行团队讨论"""
|
||
print("🤝 分析团队正在进行综合讨论...")
|
||
|
||
# 收集参与分析的分析师名单和报告
|
||
participants = []
|
||
reports = []
|
||
|
||
if "technical" in agents_results:
|
||
participants.append("技术分析师")
|
||
reports.append(f"【技术分析师报告】\n{agents_results['technical'].get('analysis', '')}")
|
||
|
||
if "fundamental" in agents_results:
|
||
participants.append("基本面分析师")
|
||
reports.append(f"【基本面分析师报告】\n{agents_results['fundamental'].get('analysis', '')}")
|
||
|
||
if "fund_flow" in agents_results:
|
||
participants.append("资金面分析师")
|
||
reports.append(f"【资金面分析师报告】\n{agents_results['fund_flow'].get('analysis', '')}")
|
||
|
||
if "risk_management" in agents_results:
|
||
participants.append("风险管理师")
|
||
reports.append(f"【风险管理师报告】\n{agents_results['risk_management'].get('analysis', '')}")
|
||
|
||
if "market_sentiment" in agents_results:
|
||
participants.append("市场情绪分析师")
|
||
reports.append(f"【市场情绪分析师报告】\n{agents_results['market_sentiment'].get('analysis', '')}")
|
||
|
||
if "news" in agents_results:
|
||
participants.append("新闻分析师")
|
||
reports.append(f"【新闻分析师报告】\n{agents_results['news'].get('analysis', '')}")
|
||
|
||
# 组合所有报告
|
||
all_reports = "\n\n".join(reports)
|
||
|
||
discussion_prompt = f"""
|
||
现在进行投资决策团队会议，参会人员包括：{', '.join(participants)}。
|
||
|
||
股票：{stock_info.get('name', 'N/A')} ({stock_info.get('symbol', 'N/A')})
|
||
|
||
各分析师报告：
|
||
|
||
{all_reports}
|
||
|
||
请模拟一场真实的投资决策会议讨论：
|
||
1. 各分析师观点的一致性和分歧
|
||
2. 不同维度分析的权重考量
|
||
3. 风险收益评估
|
||
4. 投资时机判断
|
||
5. 策略制定思路
|
||
6. 达成初步共识
|
||
|
||
请以对话形式展现讨论过程，体现专业团队的思辨过程。
|
||
注意：只讨论参与分析的分析师的观点。
|
||
"""
|
||
|
||
messages = [
|
||
{"role": "system", "content": "你需要模拟一场专业的投资团队讨论会议，体现不同角色的观点碰撞和最终共识形成。"},
|
||
{"role": "user", "content": discussion_prompt}
|
||
]
|
||
|
||
discussion_result = self.deepseek_client.call_api(messages, max_tokens=6000)
|
||
|
||
print("✅ 团队讨论完成")
|
||
return discussion_result
|
||
|
||
def make_final_decision(self, discussion_result: str, stock_info: Dict, indicators: Dict) -> Dict[str, Any]:
|
||
"""制定最终投资决策"""
|
||
print("📋 正在制定最终投资决策...")
|
||
|
||
decision = self.deepseek_client.final_decision(discussion_result, stock_info, indicators)
|
||
|
||
print("✅ 最终投资决策完成")
|
||
return decision
|