当前位置：首页 > news >正文

A2A协议的多智能体投顾引擎架构，智能体生成年化418%，回撤11%，夏普比5.19的规则策略，附python代码

news 2025/10/31 9:51:00

原创内容第1038篇，专注AGI+，AI量化投资、个人成长与财富自由。

基于A2A协议的多智能体投顾引擎架构：

传统的规则策略，使用智能体，可以按我们的策略模板，按用户需求来写策略，本质还是一个规则策略，比如：年化418%，回撤11%，夏普比5.19的规则策略。

另外，还有更智能的，就是交易信号上多智能体来操作，我们只提供数据和要求。这就是多智能体真正做智能投顾了。

好处就是动态的，适应市场，缺点是不那么可控，这个需要更多的测试，不过我相信这是趋势。相当于把主观交易和量化交易更进一步整合了。

下一步，这两种形式，我们都会来实现。

valuecell里的交易逻辑提示词：

其实就是对相应的投资标的，做技术分析。

 prompt = f"""You are an expert crypto trading analyst. Analyze the following technical indicators for {indicators.symbol} and provide a trading recommendation.
Current Market Data:- Symbol: {indicators.symbol}- Price: ${indicators.close_price:,.2f}- Volume: {indicators.volume:,.0f}
Technical Indicators:- MACD: {macd_str}- MACD Signal: {macd_signal_str}- MACD Histogram: {macd_histogram_str}- RSI: {rsi_str}- EMA 12: {ema_12_str}- EMA 26: {ema_26_str}- EMA 50: {ema_50_str}- BB Upper: {bb_upper_str}- BB Middle: {bb_middle_str}- BB Lower: {bb_lower_str}
Based on these indicators, provide:1. Action: BUY, SELL, or HOLD2. Type: LONG or SHORT (if BUY)3. Confidence: 0-100%4. Reasoning: Brief explanation (1-2 sentences)
Format your response as JSON:{{"action": "BUY|SELL|HOLD", "type": "LONG|SHORT", "confidence": 0-100, "reasoning": "explanation"}}"""
            agent = Agent(model=self.llm_client, markdown=False)            response = await agent.arun(prompt)
            # Parse response            content = response.content.strip()            # Extract JSON from markdown code blocks if present            if "```json" in content:                content = content.split("```json")[1].split("```")[0].strip()            elif "```" in content:                content = content.split("```")[1].split("```")[0].strip()
            result = json.loads(content)
            action = TradeAction(result["action"].lower())            trade_type = (                TradeType(result["type"].lower()) if result["type"] else TradeType.LONG            )            reasoning = result["reasoning"]            confidence = float(result.get("confidence", 75.0))
            logger.info(                f"AI Signal for {indicators.symbol}: {action.value} {trade_type.value} "                f"(confidence: {confidence}%) - {reasoning}"            )
            return (action, trade_type, reasoning, confidence)
        except Exception as e:            logger.error(f"Failed to get AI trading signal: {e}")            return None

当然它没有生成交易规则，而是由Agent动态判断。

项目代码是基于咱们之前聊过的Agno，后续我们用AgentScope来实现。

现在智能体框架里，基本ReactAgent已经成为标配了。

为什么ReactAgent有效，基本上它实现了think的模式。

普通 Agent 的核心是一个 “感知-决策-行动” 循环，但它缺少了显式的“推理”环节。核心：一个大语言模型。工具：可以被调用的外部函数，如搜索引擎、计算器、代码执行器。记忆：通常包括短期记忆（当前对话/状态）和长期记忆（向量数据库等）。

工作流程（Action-Observation Loop）：

1. 感知状态：Agent 接收到用户的请求和当前的环境状态（包括之前的行动结果）。
2. 内部决策：LLM 内部处理这些信息，直接生成一个“行动”指令（例如，调用哪个工具，传入什么参数）。这个决策过程是黑盒的。
3. 执行行动：系统执行该工具调用。
4. 观察结果：获取工具返回的结果（如搜索到的网页内容、计算结果）。
5. 循环：将结果作为新状态的一部分，重复步骤1，直到LLM认为任务完成并生成最终答案。
缺点：
- 像一个不假思索的执行者，容易“一条路走到黑”。
- 纠错难：一旦开始走错路，很难自我纠正，因为它没有显式地反思“我为什么错了”。
- 依赖模型内部能力：整个规划的负担完全压在LLM的内部表征上。