# FAS

**Repository Path**: elfbobo_admin_admin/fas

## Basic Information

- **Project Name**: FAS
- **Description**: 多智能体 A 股投资分析交易平台 (FAS)

多智能体 A 股投资分析交易平台是一个基于人工智能的投资分析工具，集成了多个专业智能体，为用户提供全面、专业的 A 股投资分析服务。
- **Primary Language**: Python
- **License**: MIT
- **Default Branch**: master
- **Homepage**: None
- **GVP Project**: No

## Statistics

- **Stars**: 0
- **Forks**: 1
- **Created**: 2025-10-16
- **Last Updated**: 2025-12-30

## Categories & Tags

**Categories**: Uncategorized

**Tags**: None

## README

# 多智能体 A 股投资分析交易平台 (FAS)

多智能体 A 股投资分析交易平台是一个基于人工智能的投资分析工具，集成了多个专业智能体，为用户提供全面、专业的 A 股投资分析服务。

## 系统架构

系统由前端层、智能体层、数据层和存储层组成，各层之间通过 API 进行交互。

- **前端层**：基于 Chainlit 构建的聊天界面，支持文本交互、图表展示和数据可视化
- **智能体层**：基于 LangGraph 的智能体编排器，协调多个专业分析智能体
- **数据层**：基于 AKShare 的数据获取、处理和存储模块
- **存储层**：PostgreSQL 用于存储结构化数据，Redis 用于缓存和实时数据

### 智能体团队

平台由八个专业智能体组成，各司其职：

#### 核心分析智能体

- **基本面分析智能体**：分析公司财务报表、盈利能力、成长性等基本面因素
- **宏观分析智能体**：分析宏观经济环境、政策动向、行业趋势等
- **风险分析智能体**：评估投资风险，包括市场风险、流动性风险、波动性风险等
- **市场分析智能体**：分析市场情绪、技术指标、资金流向等

#### 新增专业智能体

- **技术分析智能体 (AsyncTechnicalAgent)**：

  - 技术指标计算：MACD、RSI、KDJ、布林带、移动平均线等
  - 图表模式识别：头肩顶、双顶双底、三角形、楔形等经典形态
  - 支撑阻力位计算：基于历史价格和成交量的关键位分析
  - 交易信号生成：买入卖出信号、止损止盈建议

- **情绪分析智能体 (AsyncSentimentAgent)**：

  - 新闻情绪分析：收集和分析财经新闻、公告的情绪倾向
  - 社交媒体监控：监控微博、股吧等社交平台的投资者情绪
  - 中文 NLP 处理：基于 jieba 分词和 snownlp 的中文文本情感分析
  - 市场情绪计算：综合多源数据计算整体市场情绪指数

- **高级市场分析智能体 (AsyncAdvancedMarketAgent)**：
  - 市场微观结构分析：订单簿分析、买卖价差、市场深度
  - 机构资金流向分析：大单分析、北向资金、机构持仓变化
  - 市场状态检测：牛熊市判断、波动率分析、趋势强度评估
  - 跨市场关联分析：A+H 股对比、行业轮动、概念题材分析

#### 协调智能体

- **投资总结智能体**：整合所有智能体分析结果，生成综合投资建议

## 功能特点

### 核心分析功能

- **股票分析**：提供全面的股票分析，包括基本面、技术面、风险评估和投资建议
- **行业分析**：分析行业发展趋势、竞争格局和投资机会
- **市场分析**：分析整体市场情况、热点板块和投资风险
- **投资建议**：根据用户需求和风险偏好，提供个性化投资建议

### 新增高级功能

- **深度技术分析**：

  - 20+技术指标实时计算和分析
  - 智能图表模式识别
  - 动态支撑阻力位计算
  - 精准交易信号生成

- **智能情绪分析**：

  - 多源新闻情绪实时监控
  - 社交媒体情绪追踪
  - 中文自然语言处理
  - 市场情绪指数计算

- **高级市场洞察**：
  - 订单簿深度分析
  - 机构资金流向追踪
  - 市场状态智能识别
  - 跨市场关联分析

### 系统特性

- **异步并行处理**：8 个智能体并行分析，大幅提升分析效率
- **实时进度反馈**：分析过程可视化，用户体验优化
- **数据可视化**：通过图表直观展示分析结果和市场数据
- **市场监控**：实时监控市场变化，及时发现投资机会

## 技术栈

- **前端**：Chainlit, Plotly, Streamlit
- **后端**：FastAPI, Celery, Uvicorn
- **AI 框架**：LangChain, LangGraph, OpenAI
- **数据处理**：AKShare, Pandas, NumPy, TA-Lib
- **中文 NLP**：jieba, snownlp
- **异步处理**：asyncio, ThreadPoolExecutor
- **科学计算**：scipy, scikit-learn
- **网络爬虫**：requests, beautifulsoup4, lxml
- **数据存储**：PostgreSQL, Redis
- **部署**：Docker, Docker Compose

## 安装指南

### 环境要求

- Python 3.9+
- PostgreSQL 14+
- Redis 6+

### 安装步骤

1. 克隆仓库

```bash
git clone https://gitee.com/carllee34/fas.git
cd fas
```

2. 创建虚拟环境

```bash
python -m venv venv
source venv/bin/activate  # Linux/Mac
# 或
venv\Scripts\activate  # Windows
```

3. 安装依赖

```bash
pip install -r requirements.txt
```

4. 配置环境变量

```bash
cp .env.example .env
# 编辑.env文件，填写必要的配置信息
```

5. 初始化数据库

```bash
python -m scripts.setup_db --all
```

6. 启动应用

```bash
python -m app.main
```

## 使用指南

### 启动应用

```bash
# 启动UI服务
python -m app.main --ui

# 启动API服务
python -m app.main --api

# 启动所有服务
python -m app.main --all
```

### 访问应用

- UI 界面：http://localhost:8000
- API 文档：http://localhost:8080/docs

### 基本用法

1. 股票分析：输入股票代码或名称，如"分析贵州茅台"或"分析 600519"
2. 行业分析：输入行业名称，如"分析医药行业"
3. 市场分析：输入市场分析请求，如"分析当前市场情况"
4. 投资建议：输入投资建议请求，如"给我一些投资建议"

## 项目结构

```
/fas (Financial Analysis System)
│
├── /app                      # 应用主目录
│   ├── /api                  # API接口
│   ├── /agents               # 智能体定义
│   ├── /data                 # 数据处理模块
│   ├── /monitor              # 市场监控服务
│   ├── /ui                   # 前端界面
│   ├── /utils                # 工具函数
│   ├── /workflows            # 工作流定义
│   └── main.py               # 应用入口
│
├── /config                   # 配置文件
│   ├── default.yaml          # 默认配置
│   └── production.yaml       # 生产环境配置
│
├── /scripts                  # 脚本文件
│   ├── setup_db.py           # 数据库初始化脚本
│   └── seed_data.py          # 测试数据生成脚本
│
├── /tests                    # 测试文件
│
├── .env.example              # 环境变量示例
├── requirements.txt          # 依赖管理
└── README.md                 # 项目说明
```

## 开发指南

### 添加新智能体

#### 同步智能体

1. 在`app/agents`目录下创建新的智能体模块
2. 继承`BaseAgent`类并实现必要的方法
3. 在`app/workflows/graph.py`中添加新智能体节点
4. 更新工作流图以包含新智能体

#### 异步智能体

1. 在`app/agents`目录下创建新的异步智能体模块
2. 继承`AsyncBaseAgent`类并实现以下方法：
   - `analyze_async(stock_code, progress_callback=None)`: 异步分析方法
   - 各种专业分析组件类
3. 在`app/workflows/async_graph.py`中添加新智能体到工作流
4. 更新`AnalysisState`类添加新的结果字段
5. 在`app/agents/__init__.py`中添加导入语句
6. 在`app/main.py`中添加智能体初始化
7. 创建对应的测试文件验证功能

### 新智能体集成示例

以技术分析智能体为例：

```python
# 1. 创建智能体类
class AsyncTechnicalAgent(AsyncBaseAgent):
    async def analyze_async(self, stock_code: str, progress_callback=None):
        # 实现异步分析逻辑
        pass

# 2. 更新工作流状态
@dataclass
class AnalysisState:
    technical_result: Optional[Dict] = None

# 3. 添加到并行执行列表
parallel_agents = [
    "fundamental_agent",
    "macro_agent",
    "risk_agent",
    "market_agent",
    "technical_agent",  # 新增
    "sentiment_agent",
    "advanced_market_agent"
]
```

### 添加新数据源

1. 在`app/data/fetcher.py`中添加新的数据获取方法
2. 在`app/data/processor.py`中添加相应的数据处理方法
3. 在`app/data/storage.py`中添加数据存储方法
4. 对于异步智能体，在`app/data/async_advanced_fetcher.py`中添加高级数据获取方法

### 测试新功能

1. 在`tests/`目录下创建对应的测试文件
2. 使用 pytest 框架编写单元测试和集成测试
3. 测试异步功能时使用`@pytest.mark.asyncio`装饰器
4. 使用 mock 对象模拟外部数据源和 API 调用

## 贡献指南

1. Fork 项目
2. 创建特性分支 (`git checkout -b feature/amazing-feature`)
3. 提交更改 (`git commit -m 'Add some amazing feature'`)
4. 推送到分支 (`git push origin feature/amazing-feature`)
5. 创建 Pull Request

## 许可证

本项目采用 MIT 许可证 - 详见 [LICENSE](LICENSE) 文件

## 免责声明

本平台提供的分析和建议仅供参考，不构成投资建议。投资有风险，入市需谨慎。历史数据不代表未来表现，请根据自身风险承受能力做出投资决策。

## 联系方式

- 项目维护者：Carl Lee
- 邮箱：lixin_ff@126.com
- 项目链接：https://gitee.com/carllee34/fas