金融深度研究
November 25, 2025 · View on GitHub
本项目实现了一个面向金融市场研究的多智能体（Multi-Agent）工作流，结合定量金融数据分析与来自互联网的定性舆情分析，自动生成专业的金融研究报告。
🌟 功能特性
-
多智能体架构：通过多个专用智能体的编排实现工作流，从而完成任务拆解、数据收集、量化分析、舆情研究与最终报告生成。
-
多维度分析：涵盖金融数据指标与公众舆情两个维度，实现结构化与非结构化数据的融合分析，产出覆盖面广、结构清晰的研究报告。
-
金融数据采集：支持模型自动获取A股、港股、美股等市场的行情、财报、宏观指标与市场数据。
-
舆情深度研究：新闻/媒体/社区等多源舆情深度分析。
-
专业报告生成：按业界常用方法论（MECE、SWOT、金字塔原理等）生成多章节、结构化、图文并茂的专业报告。
-
安全代码执行：在隔离的 Docker 沙箱中执行数据处理与分析，保证环境安全与可复现性。
📋 架构
工作流由 5 个专用智能体构成：
┌─────────────┐
│ Orchestrator│
│ Agent │
└──────┬──────┘
│
┌────────────┴────────────┐
▼ ▼
┌──────────────┐ ┌──────────────┐
│ Searcher │ │ Collector │
│ Agent │ │ Agent │
└──────┬───────┘ └──────┬───────┘
│ │
│ ▼
│ ┌──────────────┐
│ │ Analyst │
│ │ Agent │
│ └──────┬───────┘
│ │
└────────────┬────────────┘
▼
┌──────────────┐
│ Aggregator │
│ Agent │
└──────────────┘
-
Orchestrator Agent（编排智能体）：将用户问题拆解为任务描述与范围、金融数据分析任务、舆情研究任务三部分。
-
Searcher Agent（搜索智能体）：非结构化数据搜集，依据编排智能体的舆情研究任务，调用深度研究工作流（
ms-agent/projects/deep_research）进行舆情深度检索与研究，生成舆情分析报告。 -
Collector Agent（数据采集智能体）：金融结构化数据搜集，依据编排智能体的金融数据分析任务，使用基于
akshare/baostock实现的数据获取工具采集所需金融数据。 -
Analyst Agent（数据分析智能体）：在沙箱中进行数据的量化分析，基于 Collector 获取的数据生成量化分析报告与可视化结果。
-
Aggregator Agent（报告生成智能体）：将舆情与量化两类分析结果进行整合、逐章生成报告并进行校验，产出结构完整、逻辑一致的综合研究报告。
🛠️ 安装
请按如下步骤完成环境搭建：
Python 环境
# 源码下载
git clone https://github.com/modelscope/ms-agent.git
cd ms-agent
# Python 环境
conda create -n fin_research python=3.11
conda activate fin_research
# 从 PyPI 安装（>=v1.5.0）
pip install 'ms-agent[research]'
# 从源码安装
pip install -r requirements/framework.txt
pip install -r requirements/research.txt
pip install -e .
# 数据接口依赖
pip install akshare baostock
沙箱环境
Collector 与 Analyst 默认使用 Docker 沙箱以安全执行代码（可选）：
# 安装 ms-enclave（https://github.com/modelscope/ms-enclave）
pip install ms-enclave docker websocket-client
# 构建所需 Docker 镜像（确保系统已安装并运行 Docker）
bash projects/fin_research/tools/build_jupyter_image.sh
如果不希望安装Docker等依赖，也可以选择配置本地代码执行工具，推荐将analyst.yaml和collector.yaml中默认的tools配置修改为：
tools:
code_executor:
mcp: false
implementation: python_env
exclude:
- python_executor
- shell_executor
- file_operation
该配置下默认依赖Jupyter Kernel执行代码，提供对环境变量的隔离，并支持shell命令执行，相应的依赖将在第一次运行代码时自动安装（包括数据分析和代码执行需要的依赖）。如果希望只使用更轻量的Python执行环境而不引入其他依赖，可以修改为：
tools:
code_executor:
mcp: false
implementation: python_env
exclude:
- notebook_executor
- file_operation
该配置使用独立的Python执行器和Shell命令执行器，适合轻量级代码执行场景。
🚀 快速开始
环境变量配置
在系统环境或 YAML 中配置 API Key：
# LLM API（系统环境配置示例）
export OPENAI_API_KEY=your_api_key
export OPENAI_BASE_URL=your-api-url
# 搜索引擎（用于舆情研究，可选 exa 或 serpapi），下列服务均提供一定的免费额度，请注册并配置API Key
# exa账号注册地址为https://exa.ai，SerpApi账号注册地址为https://serpapi.com
# 如果不希望配置搜索引擎就启动FinResearch项目进行测试，可跳过并参考快速启动一节
export EXA_API_KEY=your_exa_api_key
export SERPAPI_API_KEY=your_serpapi_api_key
在 searcher.yaml 指定搜索引擎配置文件的路径：
tools:
search_engine:
config_file: projects/fin_research/conf.yaml
运行工作流
快速启动完整FinResearch工作流进行测试：
# 在 ms-agent 根目录执行
PYTHONPATH=. python ms_agent/cli/cli.py run \
--config projects/fin_research \
--query '请分析宁德时代（300750.SZ）近四个季度盈利能力变化，并与新能源领域主要竞争对手（如比亚迪、国轩高科、中创新航）进行对比；结合产业政策与锂价波动，预测其未来两季度业绩趋势。' \
--trust_remote_code true
在没有配置搜索引擎服务的情况下，允许配置最小版本FinResearch工作流进行测试（无舆情深度研究部分），需要修改workflow.yaml文件如下：
type: DagWorkflow
orchestrator:
next:
- collector
agent_config: orchestrator.yaml
collector:
next:
- analyst
agent_config: collector.yaml
analyst:
next:
- aggregator
agent_config: analyst.yaml
aggregator:
agent_config: aggregator.yaml
随后在命令行中按之前相同的方式启动即可。需要注意的是，由于信息维度不全面，FinResearch可能无法对复杂问题给出篇幅较长、内容丰富的分析报告，建议仅用于测试。
运行FinResearch应用：
# 使用命令行的方式启动Gradio服务（可以不带参数启动，只使用--app_type fin_research）
ms-agent app --app_type fin_research --server_name 0.0.0.0 --server_port 7860 --share
# 使用Python脚本的方式启动Gradio服务
cd ms-agent/app
python fin_research.py
样例
更多内容请参考projects/fin_research/examples。
https://github.com/user-attachments/assets/2ef0f7a1-985b-4dbd-9d75-da16246e985e
🔧 开发指南
组件说明
-
workflow.yaml：工作流配置入口，编排 Orchestrator / Searcher / Collector / Analyst / Aggregator 五个智能体的执行流程，基于DagWorkflow运行。 -
agent.yaml（orchestrator.yaml、searcher.yaml、collector.yaml、analyst.yaml、aggregator.yaml）：定义各智能体（或者工作流）的行为、工具、LLM 参数和提示词（角色与职责）。 -
conf.yaml：搜索引擎配置，包含 Exa / SerpAPI 等搜索工具的 API Key 与参数设置。 -
callbacks/：各智能体专属的callback模块：orchestrator_callback.py：保存任务规划到本地。collector_callback.py：从本地加载任务规划并添加至用户消息。analyst_callback.py：从本地加载任务规划并保存量化分析报告到本地。aggregator_callback.py：保存最终综合分析报告到本地。file_parser.py：代码/JSON文本的解析与处理。
-
tools/：工具目录：build_jupyter_image.sh：构建沙箱所需的 Docker 环境。principle_skill.py：加载 MECE / SWOT / 金字塔原理等分析方法论。principles/：报告生成所用方法论的 Markdown 文档。
-
其他关键模块：
time_handler.py：注入当前日期和时间到提示词中，避免出现幻觉。searcher.py：调用深度研究项目进行舆情检索。aggregator.py：聚合舆情与数据分析两类结果并生成最终报告。
自定义智能体配置
LLM 配置示例：
llm:
service: openai
model: qwen3-max # Analyst 可选 qwen3-coder-plus
openai_api_key: your-api-key
openai_base_url: https://dashscope.aliyuncs.com/compatible-mode/v1
工具（沙箱）配置示例：
tools:
code_executor:
sandbox:
mode: local
type: docker_notebook
image: jupyter-kernel-gateway:version1
timeout: 120
memory_limit: "1g"
cpu_limit: 2.0
network_enabled: true
搜索配置（searcher.yaml）示例：
breadth: 3 # 每层搜索生成的查询数
depth: 1 # 最大搜索深度
is_report: true # 输出报告而非简短回答
金融数据支持
FinancialDataFetcher工具支持：
- 市场：A股（sh./sz.）、港股（hk.）、美股（us.）
- 指数：上证50、沪深300（HS300）、中证500（ZZ500）
- 数据类型：K线行情、三大财报（利润/资产负债/现金流）、分红、行业分类
- 宏观指标：利率、存款准备金率、货币供应量（中国）
受到数据接口限制，可能存在一定的缺失和错误，请注意甄别。
输出目录结构
工作流将在配置的输出目录（默认：./output/）生成如下成果：
output/
├── plan.json # 任务拆解结果
├── financial_data/ # 采集的金融数据
│ ├── stock_prices_*.csv
│ ├── quarterly_financials_*.csv
│ └── ...
├── sessions/ # 数据分析智能体的会话目录
│ └── session_xxxx/
│ ├── *.png # 绘制的图表
│ └── metrics_*.csv # 计算指标
├── memory/ # 各智能体的记忆存储目录
├── search/ # 舆情研究搜索结果
├── resources/ # 舆情研究文档解析获取的图片
├── synthesized_findings.md # 关键发现整合
├── report_outline.md # 报告大纲
├── chapter_1.md # 第1章内容
├── chapter_2.md # 第2章内容
├── ...
├── cross_chapter_mismatches.md # 跨章节一致性校验结果
├── analysis_report.md # 数据分析报告
├── sentiment_report.md # 舆情分析报告
└── report.md # 最终综合报告
📝 TODOs
- 提升金融数据抓取工具的稳定性与覆盖度。
- 持续优化工作流架构以降低 Token 消耗、提升报告生成性能。
- 加强报告的可视化呈现，支持多格式导出。
- 优化舆情搜索与研究pipeline，优化信息源管理。