🤖 多Agent智能股票分析与回测系统

一个基于 LangGraph 和 FastAPI 的完整股票投资解决方案，集成了实时分析和历史回测两大核心功能。采用多Agent并行架构，提供专业级的基本面、技术面、估值分析，并支持完整的投资策略历史验证。

🌟 系统特色

📊 双核心模式

💡 实时分析模式: 单次深度分析，3-5分钟生成专业投资报告
📈 智能回测模式: 历史策略验证，自动化投资决策回测与性能评估

🤖 多Agent并行分析引擎

📈 基本面分析Agent: 财务状况、盈利能力、成长性深度分析
📉 技术分析Agent: 价格趋势、技术指标、支撑阻力位分析
💰 估值分析Agent: 估值指标、行业对比、投资价值评估
📝 汇总分析Agent: 整合专业分析，生成综合投资建议
💡 投资决策Agent: 基于多维分析生成标准化JSON投资决策

🚀 核心优势

🤖 智能多Agent系统: 基于 LangGraph 的并行分析架构
📊 全面A股数据: MCP协议连接，37个专业数据分析工具
💹 三维度分析: 基本面 + 技术面 + 估值分析并行执行
🔄 实时通信: WebSocket 实时进度监控和日志展示
📈 可视化回测: Chart.js 高清图表，实时进度跟踪
📄 专业报告: Markdown格式投资分析报告，支持一键导出
🎯 智能解析: 自动识别股票代码和公司名称
⚡ 性能优化: 连接池+智能缓存，实现85%+ 速度提升
📱 现代界面: 响应式Web设计，完美支持移动设备

🏗️ 系统架构

🔄 完整工作流

实时分析模式:
用户查询 → 智能解析 → 并行Agent分析 → 汇总报告 → 可视化展示
                   ├── 基本面Agent (财务数据分析)
                   ├── 技术面Agent (技术指标分析) 
                   └── 估值Agent (估值对比分析)
                           ↓
                   汇总Agent → 综合投资报告

智能回测模式:  
配置参数 → 时间序列生成 → 循环执行多Agent分析 → JSON决策生成 → 虚拟交易执行 → 性能统计分析

🛠️ 技术架构

前端界面层 (HTML5 + CSS3 + JavaScript + Chart.js)
    ↓ WebSocket实时通信
API服务层 (FastAPI实时分析 + Flask回测服务)  
    ↓
多Agent工作流引擎 (multi_agent_workflow.py)
    ├── MCP连接池 (30秒超时 + 智能重试)
    ├── Gemini模型 (60秒超时 + 2次重试)
    └── 智能缓存系统 (价格缓存 + 分析缓存)
    ↓
数据层 (37个MCP专业工具 + 回测系统)

💻 技术栈

后端框架: FastAPI + Flask + LangGraph + LangChain + asyncio
前端技术: 原生 HTML/CSS/JavaScript + WebSocket + Chart.js
AI模型: Google Gemini 2.0 Flash (优化超时 + 重试机制)
数据源: MCP Server (37个A股专业数据工具)
回测引擎: 多频率决策支持 + 虚拟交易系统 + 综合性能统计

📦 快速开始

1. 环境准备

# 克隆项目
git clone --single-branch -b backtest https://github.com/kissjerryfan/mcp_agent.git
cd mcp_agent

# 安装依赖  
pip install -r requirements.txt

2. 环境配置

创建 .env 文件：

GOOGLE_API_KEY=your_google_api_key_here
GEMINI_MODEL=gemini-2.0-flash

3. 启动服务

🚀 实时分析模式

python app.py

访问地址: http://localhost:8000/static/index.html

📊 回测分析模式

python start_backtest_system.py
# 或者
python backtest_api.py

访问地址: http://localhost:5000

💡 详细使用指南

🔍 实时分析模式

功能特点

⚡ 快速分析: 3-5分钟完成完整的多维度分析
📊 实时监控: WebSocket实时显示分析进度和关键步骤
📄 专业报告: 生成完整的投资分析报告
🎯 智能识别: 自动解析公司名称和股票代码

访问地址

🌐 分析界面: http://localhost:8000/static/index.html
📋 API文档: http://localhost:8000/docs
🔌 WebSocket: ws://localhost:8000/ws/multi

查询格式

标准格式: 请分析[公司名称]([股票代码])的投资价值

实例查询:

请分析贵州茅台(sh.600519)的投资价值
请分析比亚迪(sz.002594)的投资价值  
请分析宁德时代(sz.300750)的投资价值
请分析海康威视(sz.002415)的投资价值

支持的股票代码格式:

sh.600519 (上海证券交易所主板)
sz.000858 (深圳证券交易所主板)
sz.300750 (创业板)

📈 智能回测模式

⚡ 性能优化配置表

模式	时间范围	决策频率	决策点数量	预计耗时	适用场景	推荐度
⚡ 超快速	3个月	每月决策	3个点	2-3分钟	快速体验测试	⭐⭐⭐⭐⭐
🚀 快速	3个月	每周决策	12个点	5-8分钟	日常策略验证	⭐⭐⭐⭐⭐
📊 标准	6个月	每周决策	24个点	10-15分钟	详细策略分析	⭐⭐⭐⭐
📈 深度	12个月	每周决策	48个点	20-30分钟	长期策略研究	⭐⭐⭐
⚠️ 详细	3个月	每日决策	90个点	30-45分钟	高频策略研究	⭐⭐

🎯 回测操作流程

第一步：配置回测参数

选择股票:
- 手动输入公司名称和股票代码
- 或使用快速选择按钮（贵州茅台、比亚迪、宁德时代等）
设置时间范围:
- 💡 首次使用建议: 3个月时间范围
- 选择回测开始日期和结束日期
配置策略参数:
- 设置初始资金(≥10,000元)
- 💡 推荐选择: "每周决策"获得速度与精度的最佳平衡
- ⚠️ 避免选择: "每日决策"会显著增加耗时

第二步：启动回测分析

点击 "🚀 开始回测" 按钮
系统自动显示预计总耗时
实时进度条显示当前分析状态和剩余时间
可随时点击 "⏹️ 停止回测" 中断操作

第三步：分析结果展示

📊 关键指标卡片: 总收益率、最大回撤、夏普比率、交易胜率
📈 可视化图表: 资产价值走势图、收益分布直方图
📋 详细交易记录: 包含价格、数量、信心度的完整买卖记录
💾 一键导出: 支持JSON格式结果下载

💻 编程接口使用

from backtest_system import BacktestSystem

# 创建回测系统实例
backtest = BacktestSystem(initial_capital=100000.0)

# 执行回测分析
results = await backtest.run_backtest(
    stock_code="sh.600519",        # 股票代码
    company_name="贵州茅台",        # 公司名称
    start_date="2024-01-01",       # 开始日期
    end_date="2024-06-30",         # 结束日期
    frequency="weekly"             # 决策频率: daily/weekly/monthly
)

# 结果分析
print(f"总收益率: {results['total_return']:.2%}")
print(f"最大回撤: {results['max_drawdown']:.2%}")  
print(f"夏普比率: {results['sharpe_ratio']:.2f}")
print(f"交易胜率: {results['win_rate']:.1%}")

📊 投资决策标准格式

系统生成的标准化JSON投资决策格式：

{
    "action": "BUY|SELL|HOLD",           // 操作类型
    "confidence": 0.85,                   // 信心度 (0.0-1.0)
    "target_price": 1800.0,             // 目标价格
    "stop_loss": 1600.0,                // 止损价格  
    "position_size": 0.3,               // 建议仓位 (0.0-1.0)
    "holding_period": "medium",          // 持有期限: short/medium/long
    "risk_level": "medium",              // 风险等级: low/medium/high
    "reasons": [                         // 决策依据
        "基本面强劲，ROE持续增长",
        "技术面突破关键阻力位", 
        "估值合理，PE低于行业平均"
    ]
}

📈 分析报告示例

系统生成的专业投资分析报告结构：

# 贵州茅台(sh.600519) 投资分析报告

## 📊 执行摘要
基于多Agent并行分析，贵州茅台当前展现出优异的投资价值...
[AI生成的核心投资观点和策略建议]

## 📈 基本面分析要点
**财务健康度**: 优秀 | **盈利能力**: 强劲 | **成长性**: 稳定
- ROE连续5年超过20%，盈利能力行业领先
- 营收和净利润保持稳定增长趋势
- 现金流充沛，财务结构健康

## 📉 技术分析要点  
**趋势**: 上升 | **动量**: 强劲 | **支撑/阻力**: 1650/1850
- 股价成功突破20日均线，技术面转强
- MACD指标出现金叉信号，市场情绪转好
- RSI指标显示轻微超买，需关注回调风险

## 💰 估值分析要点
**估值水平**: 合理 | **PE**: 28.5倍 | **PB**: 5.2倍  
- 当前PE低于历史平均30倍，估值具有吸引力
- 相比同行业龙头企业估值具有明显优势
- PEG比率显示估值与成长性匹配度良好

## ⚖️ 综合投资评级
**投资建议**: 买入 | **目标价格**: 1800-1900元 | **风险级别**: 中等

## 🎯 投资亮点 & ⚠️ 主要风险
[AI提供详细的投资亮点分析和风险警示]

## 🚀 操作策略建议
[具体的进场时机、持仓管理、止盈止损策略]

🛠️ MCP数据工具总览 (37个专业工具)

本系统集成了37个专业的A股数据分析工具，覆盖全方位的投资分析需求：

🏛️ 股票市场数据 (4个工具)

get_historical_k_data: 历史K线数据 (支持日/周/月/分钟级别)
get_stock_basic_info: 股票基本信息 (行业分类、市值等)
get_dividend_data: 历年分红信息 (分红率、派息记录)
get_adjust_factor_data: 复权因子数据 (前复权、后复权因子)

📊 财务报表数据 (6个工具)

get_profit_data: 季度盈利能力数据 (ROE、ROA、净利率等)
get_operation_data: 季度运营能力数据 (各类周转率指标)
get_growth_data: 季度成长能力数据 (营收增长率、利润增长率)
get_balance_data: 资产负债表数据 (资产结构、负债情况)
get_cash_flow_data: 现金流量数据 (经营、投资、筹资现金流)
get_dupont_data: 杜邦分析数据 (ROE分解分析)

🔍 市场概览数据 (2个工具)

get_trade_dates: 交易日历查询 (获取指定时间范围内的交易日)
get_all_stock: 全市场股票清单及交易状态

📈 指数相关数据 (4个工具)

get_stock_industry: 行业分类数据与板块信息
get_sz50_stocks: 上证50成分股列表与权重
get_hs300_stocks: 沪深300成分股列表与权重
get_zz500_stocks: 中证500成分股列表与权重

🌐 宏观经济数据 (6个工具)

get_deposit_rate_data: 存款基准利率历史数据
get_loan_rate_data: 贷款基准利率历史数据
get_required_reserve_ratio_data: 存款准备金率变化记录
get_money_supply_data_month: 月度货币供应量数据 (M0/M1/M2)
get_money_supply_data_year: 年度货币供应量数据汇总
get_shibor_data: 上海银行间同业拆放利率

⏰ 日期工具 & 分析 (2个工具)

get_latest_trading_date: 获取最近交易日期
get_stock_analysis: 综合数据驱动分析报告

📉 技术指标分析 (4个工具)

get_technical_indicators: 全面技术指标计算 (MACD、RSI、KDJ、BOLL、WR等)
get_moving_averages: 多周期移动平均线 (5/10/20/50/120/250日)
calculate_bollinger_bands: 布林带指标计算 (上轨、中轨、下轨)
calculate_macd: MACD指标详细计算 (DIF、DEA、MACD柱状线)
calculate_rsi: RSI相对强弱指标计算

💰 估值分析工具 (5个工具)

get_valuation_metrics: 估值指标与历史趋势 (PE、PB、PS及历史分位数)
calculate_peg_ratio: PEG比率计算 (市盈率相对盈利增长比率)
calculate_ddm_valuation: DDM股利贴现模型估值
calculate_dcf_valuation: DCF现金流贴现估值模型
get_comparable_analysis: 同行业可比公司估值分析

🔧 其他工具 (4个工具)

get_market_analysis_timeframe: 市场分析时间框架建议
format_trading_calendar: 交易日历格式化工具
validate_stock_code: 股票代码格式验证与标准化

📋 详细API文档: 每个工具的完整参数说明和使用示例请参考 DOCUMENTS.md

⚡ 性能优化成果

🚀 核心优化技术 (实现85%+ 速度提升)

🔄 MCP连接池技术 (50%提升): 复用连接避免重复建立，减少网络开销
💾 智能缓存系统 (30%提升): 价格数据缓存+分析结果缓存，避免重复计算
⚡ 简化工作流程 (15%提升): 针对回测优化的专用决策流程
⚙️ 默认参数优化 (5%提升): 预设最优的时间范围和频率配置

📊 实际性能表现

⚡ 超快模式 (3个月/月决策): 3决策点，2-3分钟 (优化前: 15-20分钟)
🚀 快速模式 (3个月/周决策): 12决策点，5-8分钟 (优化前: 45-60分钟)
📊 标准模式 (6个月/周决策): 24决策点，10-15分钟 (优化前: 90-120分钟)

🔧 分层超时控制策略

✅ 基础设施超时 (保留): MCP连接30秒，Gemini API 60秒，确保快速故障发现
❌ 应用层超时 (移除): 分析工作流无超时限制，避免复杂任务被误终止
✅ 前端交互超时 (保留): WebSocket重连3秒间隔，图表加载10秒等待

📁 项目结构

mcp-agent/
├── 🚀 核心服务层
│   ├── app.py                        # 实时分析FastAPI服务器
│   ├── backtest_api.py              # 回测系统Flask服务器
│   ├── start_backtest_system.py     # 一键启动脚本
│   └── multi_agent_websocket.py     # WebSocket通信管理器
│
├── 🤖 多Agent引擎层
│   ├── multi_agent_workflow.py      # 核心工作流引擎
│   ├── backtest_system.py          # 智能回测系统
│   └── agents/                      # Agent模块目录
│       ├── base_agent.py           # 基础Agent抽象类
│       ├── fundamental_agent.py    # 基本面分析Agent
│       ├── technical_agent.py      # 技术分析Agent
│       ├── valuation_agent.py      # 估值分析Agent
│       ├── summary_agent.py        # 汇总分析Agent
│       └── investment_agent.py     # 投资决策Agent
│
├── 🎨 前端界面层  
│   └── frontend/
│       ├── index.html              # 实时分析主页面
│       ├── backtest.html          # 回测分析页面
│       ├── app.js                 # 实时分析JavaScript逻辑
│       ├── backtest_script.js     # 回测功能JavaScript逻辑
│       ├── style.css             # 通用样式文件
│       └── backtest_style.css    # 回测专用样式
│
├── 📋 配置文档层
│   ├── requirements.txt            # Python依赖包清单
│   ├── .env                       # 环境变量配置文件
│   ├── README.md                  # 项目主文档 (本文件)
│   └── DOCUMENTS.md              # MCP工具详细API文档
│
└── 📊 示例数据层
    ├── backtest_results_*.json    # 回测结果示例文件
    └── 投资分析报告_*.txt        # 分析报告示例文件

🔧 高级配置选项

环境变量完整配置

# 🔑 必需配置
GOOGLE_API_KEY=your_google_api_key_here

# ⚙️ 可选配置  
GEMINI_MODEL=gemini-2.0-flash              # AI模型版本
MCP_SERVER_URL=http://localhost:3000/mcp/  # MCP服务器地址
BACKTEST_CACHE_SIZE=1000                   # 缓存容量限制

MCP服务器连接配置

# multi_agent_workflow.py 中的连接配置
"a_share_data_provider": {
    "url": "http://localhost:3000/mcp/",   # MCP服务器地址
    "transport": "streamable_http"         # 传输协议
}

性能调优关键参数

# 超时控制参数
MCP_TIMEOUT = 30.0          # MCP连接超时时间 (秒)
GEMINI_TIMEOUT = 60         # Gemini API调用超时 (秒)  
MAX_RETRIES = 2             # 连接失败最大重试次数
BASE_DELAY = 3              # 重试基础延迟时间 (秒)

# 缓存优化参数
PRICE_CACHE_LIMIT = 1000    # 价格数据缓存条目上限
ANALYSIS_CACHE_LIMIT = 500  # 分析结果缓存条目上限

🚀 快速体验演示

一分钟体验回测功能

# 启动回测系统 (Web界面)
python start_backtest_system.py

# 或直接运行命令行回测
python backtest_system.py --stock_code sh.600519 --mode super_fast --period 3M

测试实时分析功能

# 启动实时分析服务
python app.py

# 浏览器访问测试
# 地址: http://localhost:8000/static/index.html
# 测试查询: 请分析贵州茅台(sh.600519)的投资价值

📞 技术支持与故障排除

🔧 常见问题解决方案

MCP连接失败:
- 检查网络连接状态
- 验证MCP服务器运行状态
- 确认防火墙设置
Gemini API调用错误:
- 验证API密钥有效性
- 检查API调用配额限制
- 确认网络连接正常
回测执行速度缓慢:
- 使用推荐的快速模式配置
- 避免选择每日决策频率
- 检查缓存系统运行状态
前端界面无法访问:
- 确认对应服务器正常启动
- 检查端口8000/5000是否被占用
- 验证防火墙端口开放状态

⚡ 性能优化建议

🚀 首次使用: 强烈建议选择"超快速模式" (3个月/每月) 快速体验
📊 日常分析: 推荐使用"快速模式" (3个月/每周)，平衡分析深度与执行速度
🔧 避免高频决策: 除非进行高频策略研究，否则避免每日决策频率
💾 定期清理缓存: 定期清理缓存文件，避免占用过多内存资源

👨‍💻 开发者扩展指南

📝 添加新Agent: 继承BaseAgent抽象类，实现analyze方法接口
🔧 扩展MCP工具: 参考DOCUMENTS.md查看完整API规范
📈 自定义投资策略: 修改investment_agent.py中的决策生成逻辑
🎨 界面个性化定制: 编辑frontend/目录下的HTML/CSS/JS源文件

📊 数据驱动智能投资，让AI成为您的投资分析师 | Version 4.0 | 🤖 多Agent + 📈 回测 = 完整投资解决方案

贡献指南

欢迎提交 Issue 或 Pull Request 来帮助改进项目。贡献前请先查看现有 Issue 和文档。

许可证

本项目采用 MIT 许可证 - 详情请查看 LICENSE 文件

Name		Name	Last commit message	Last commit date
Latest commit History 8 Commits
agents		agents
frontend		frontend
.gitignore		.gitignore
DOCUMENTS.md		DOCUMENTS.md
README.md		README.md
app.py		app.py
backtest_api.py		backtest_api.py
backtest_results_20250716_151752.json		backtest_results_20250716_151752.json
backtest_system.py		backtest_system.py
baostock API文档.txt		baostock API文档.txt
multi_agent_websocket.py		multi_agent_websocket.py
multi_agent_workflow.py		multi_agent_workflow.py
requirements.txt		requirements.txt
start_backtest_system.py		start_backtest_system.py
start_optimized.sh		start_optimized.sh
投资分析报告_贵州茅台.txt		投资分析报告_贵州茅台.txt

kissjerryfan/mcp_agent

Folders and files

Latest commit

History

Repository files navigation