“逐鹿”Alpha专题报告——多智能体投资决策框架.pdf

金融工程研究

金融工程深度报告

目录

一、简介1

二、相关工作1

三、多智能体投资决策框架4

3.1多模态数据4

3.2分析师智能体5

3.2.1技术分析师6

3.2.2新闻分析师7

3.2.3基本面分析师8

3.2.4研报分析师11

3.3基金经理智能体12

3.3.1价值型基金经理13

3.3.2成长型基金经理13

3.3.3量化基金经理14

3.4风控智能体15

3.5工作流编排器16

四、总结与展望18

五、参考文献18

风险分析19

图目录

图1:多智能体协作框架2

图2:HedgeAgents3

图3:TradingAgents3

图4:多智能体投资决策框架4

图5:K线图5

图6:图像分析6

图7:技术分析师7

图8:新闻分析师8

图9:PDF分析9

图10:基本面分析师10

图11:研报分析师12

图12:价值型基金经理13

图13:成长型基金经理14

图14:量化基金经理15

图15:风控智能体16

图16:多智能体分析报告17

请务必阅读正文之后的免责条款和声明。

金融工程研究

金融工程深度报告

一、简介

本文主要介绍一个基于多智能体（Multi-Agent）系统的投资决策框架。该框架通过高度模拟化的方式，构

建了一个由分析师、投资经理和风控官组成的AI智能体团队，旨在应对现代金融市场日益增长的复杂性、数据

冗余及高频变化。

该框架的核心优势体现在其精密的角色分工、多维度的分析视角、风格化的策略生成、以及独立的闭环风

险监控机制上。整个系统由一个中央工作流编排器（Orchestrator）进行高效驱动，实现了从多模态数据输入、

并行深度分析、多元策略整合、到最终风险审核的自动化无缝衔接。

在数据层面，我们不仅采用了传统的新闻，研报，技术指标等文本数据，还融入了K线图，公司财务报告

PDF等多模态数据，提供了更加全面且丰富的信息。技术架构上，该框架采用异步并发处理，显著提升了分析

效率；其模块化的设计和可动态配置的大语言模型（LLM）接口，则赋予了系统极高的灵活性和可扩展性。

我们认为，这种高度结构化、自动化和智能化的多智能体系统，不仅是对传统投资研究方法的颠覆性升级，

更代表了未来资产管理领域技术演进的核心方向。它能够在提升Alpha收益、降低运营成本和强化风险控制三

个层面为投资机构创造显著的商业价值。

二、相关工作

在之前的系列报告《“逐鹿”Alpha专题报告（二十）——基于数亿新闻上下文的本地RAG系统用于市场

择时及行业轮动》《“逐鹿”Alpha专题报告（二十一）——基于新闻、研报、财务、技术指标的大模型个股

分析框架初探》《“逐鹿”Alpha专题报告（二十五）——DeepSeek+RAG行业轮动策略》我们曾经介绍过如何

使用单