多智能体协作框架构建 [page::0][page::1][page::4]

• 系统包含分析师智能体（技术、新闻、基本面、研报分析师）、基金经理智能体（价值型、成长型、量化型）及风控智能体。

- 通过中央工作流编排器调度，支持多模态、高并发数据输入及自动化分析任务调配。

• 输入数据涵盖K线图、财务报告PDF、新闻文本和券商研报，实现多维度投资信息的智能融合。

量化与技术分析师的多模态数据处理 [page::5][page::6][page::7]

• 技术分析师利用Qwen-vl-max多模态大模型处理包含均线、MACD、KDJ等指标的K线图，实现图表形态与指标的深度理解。

- 典型分析得出股价近期上升趋势，存在短期回调风险（如RSI接近超买，KDJ死叉）。

• 新闻分析师采用Deepseek-v3模型分析舆情和市场情绪，识别关键催化事件和潜在风险。

基本面及研报分析师的深度财务及研报挖掘 [page::8][page::9][page::10][page::11]

• 基本面分析师使用Gemini-2.5-Flash模型处理财务报告PDF，自动抽取结构化财务信息。

- 分析指出2024年营收净利润承压，资产质量面临结构性风险，数字化转型提升经营效率。

• 研报分析师采用GPT-4.1模型整合券商研报观点，聚焦营收构成、资产质量、净息差和非息收入表现。

不同风格基金经理智能体的投资策略输出 [page::11][page::12][page::13][page::14]

• 价值型基金经理看重稳定盈利和安全边际，给出买入建议目标价13.83元，持有期限12-24个月。

- 成长型基金经理聚焦长远成长潜力和资产质量改善，建议持有，目标价13.32元，持有期限6-18个月。

• 量化基金经理依赖技术指标和模型，建议持有，目标价13.8元，持有期限3-6个月。

- 三者均关注净息差回升、资产质量稳定和政策利好，潜在风险包括净息差收窄和房地产风险。

风控智能体综合风险评估与管理建议 [page::15]

• 评估整体风险等级为中，重点监控市场风险和情绪波动。

- 风控措施包括设置止损和分散投资，保障策略的安全性和合规性。

综合报告生成与未来展望 [page::16][page::17]

• 通过系统自动生成包含多智能体观点及量化指标的完整投资分析报告，方便不同场景应用。

- 未来拟引入更多专业智能体（如宏观策略、行业分析、ESG）并探索智能体与人类专家协同，提升模型动态适应与学习能力。

多智能体投资决策框架 —— 中信建投证券研究报告详尽分析

---

一、元数据与概览

• 标题：《逐鹿 Alpha专题报告（二十七） 多智能体投资决策框架》

- 作者：姚紫薇（金融工程及基金研究首席分析师）、王超（量化研究分析师）

• 发布机构：中信建投证券股份有限公司

- 发布时间：2025年6月23日

• 主题：构建多智能体投资决策系统框架，用于综合分析多模态金融数据，生成投资建议并辅助决策。

- 核心论点：报告提出并设计了一个模拟真实投研团队的多智能体（由分析师、基金经理、风控官组成）投资决策架构，利用多模态数据输入和高效的中央工作流编排，实现自动化、系统化和灵活调节的投研流程，以提升分析准确度、决策速度及风险控制能力，最终提升投资回报与降本增效。

• 目标：通过多智能体协作，充分挖掘各种金融信息（K线图、新闻、财务报告、研报等），实现全面、精细且快速的投资分析。

- 评级及目标价：报告中附带不同基金经理智能体基于分析结果给出的操作建议和目标价，具体如价值型基金经理给出“买入”建议，目标价13.83元，置信水平0.80等。

---

二、逐节深度解读

1. 简介与背景

报告首先明确传统单一智能体在海量、多模态复杂金融数据中分析面临的数据冗余、模型偏差与信息维度限制的瓶颈，提出多智能体系统（MAS）的概念，通过多智能体间的分工协作解决这一问题。

• 核心优势：

- 细致的角色分工（三类智能体：分析师、基金经理、风控）
- 多维度、多模态信息输入
- 风格化策略生成
- 自动风险闭环审查
- 中央工作流编排器实现任务管理和生命周期控制

技术架构采用异步并发、模块化及动态大语言模型接口，实现灵活升级与扩展[page::0,1]。

2. 相关工作综述

报告回顾了业界多智能体在金融领域的应用案例，包括：

• 利用RAG系统和工具调用实现智能体协作，提升分析灵活性和上下文覆盖（图1，论文[1]）；

- MAS在投资组合管理、交易策略优化、风险评估中的去中心化协同机制（论文[2]）；

• HedgeAgents设计多智能对冲专家与基金经理协作，实现稳健交易（图2，论文[3]）；

- TradingAgents通过多个LLM驱动智能体覆写交易流程，实现角色分工与沟通功能（图3，论文[4]）[page::2,3]。

以上案例为本报告多智能体设计提供了理论和技术借鉴。

3. 多智能体投资决策框架设计

3.1 多模态数据输入

• 数据类型包括：

- K线图像（近一年行情，叠加均线、成交量、布林带、MACD、KDJ等指标）[图5]
- 技术指标文本（利用TA-LIB计算MA、MACD、KDJ等指标文本描述）
- 新闻文本（利用向量数据库存储与语义检索）
- 财务报告PDF（通过多模态大模型处理，兼顾文本、图表、结构）
- 券商研究报告（摘要数据整合）

多模态数据保障信息广度与深度并存，支持全面分析[page::4,5]。

3.2 分析师智能体（核心分析层）

由四类智能体组成，分别对应不同数据源及分析维度：

• 技术分析师：

- 利用多模态大模型（QWEN-VL-MAX）从K线图像及技术指标文本提取趋势、形态及关键指标解读。
- 示例分析显示股价近期呈上升趋势，突破均线压力位；MACD多头但力度减弱；RSI高位趋超买，KDJ出现死叉，短期或有调整需求[图6,7]。

• 新闻分析师：

- 使用Deepseek-chat（Deepseek-v3）大规模混合专家模型，对新闻文本进行情绪分析并识别关键市场事件。
- 示例集中于平安银行相关政策利好及市场热点，指出影响因素和短中期潜在风险[page::7,8]。

• 基本面分析师：

- 采用Gemini-2.5-Flash模型直接阅读财务报告PDF，利用大上下文窗口及多模态处理保证对财务数据、表格、文本的准确理解。
- 分析细致展现了业绩压力、资产质量结构性风险、数字化转型成效以及资本充足率状况，结合数据给出公司经营状况全貌[图9,10]。

• 研报分析师：

- 结合GPT-4.1长文本模型，整合券商分析意见，洞察市场一致性观点及分歧，关注盈利预测变化，风险提示和建议措施。
- 重点反映公司2025年一季度业绩回顾、净息差改善、资产结构调整和非息收入转型[page::10,11]。

3.3 基金经理智能体（策略层）

作为信息的“消费者”和申明的“投资建议”制作方，包含三类代表性投资风格的智能体：

• 价值型基金经理（Gemini-2.5-Flash驱动）：

- 注重内在价值、安全边际，侧重基本面分析信号和谨慎看待短期负面新闻。
- 给出买入建议，目标价13.83元，强调净息差回升、数字化转型、资产质量稳定及宏观估值修复潜力。

• 成长型基金经理（Qwen-plus模型）：

- 偏重高速成长企业，积极采纳基本面增长和新闻催化剂，视技术回调为买入机会。
- 给出持有建议，目标价13.32元，强调净息差回升、零售贷款改善及非息收入增长。

• 量化基金经理（Deepseek-chat模型）：

- 数据驱动，不依赖主观观点，主要关注技术指标和量化信号。
- 短线看多，目标价13.8元，提示需警惕技术指标提示的调整风险[page::11-14]。

3.4 风控智能体

• 独立“首席风险官”，基于GPT-4.1，全面评估市场风险、流动性风险、信用风险、操作风险。

- 综述风险等级为中等（6.5/10），针对市场波动和情绪波动采取止损和分散投资策略，其余风险均低，流程标准化保证操作风险低。

• 确保投资过程纪律严格，风险可控[图15, page::14-15]。

3.5 工作流编排器

• 集中统一调度所有智能体任务，灵活配置模型类型与角色扩展，模块化设计易维护。

- 支持多格式（Json/markdown/word/pdf）输出，满足多场景应用需求[page::15]。

---

三、图表深度解读

1. 图1 多智能体协作框架（page 2）

• 展示了多智能体通过RAG（检索增强生成）和工具调用实现内容检索与问答交互；智能体组结构有单智能体、双智能体、多智能体多种并行和层级组合形式。

- 说明多智能体可以灵活组队，实现各智能体分工的协同。

• 强调了信息从底层数据库到高层智能体决策的流通机制。

2. 图2 HedgeAgents结构（page 3）

• 展现一个由三个对冲智能体和一个中央基金经理组成的团队，利用23个工具和3种会议形式(预算分配、经验分享、极端市场会议)保持高效协作与风险平衡。

- 实现了通过大语言模型的智能决策与多智能体内存更新机制相结合。

3. 图3 TradingAgents框架（page 3）

• 演示了多智能体分工：分析师团队收集市场信息，研究团队讨论，交易员下单，风险团队审查，基金经理批准，形成闭环交易流程。

- 涵盖多数据源：市场、社交媒体、新闻、基本面，支持多维度信息融合。

4. 图4 多智能体投资决策框架结构图（page 4）

• 清晰分层展示了五层架构：

- 多模态数据层（包含K线图、技术指标、新闻文本、财务报告、研究报告）
- 分析师智能体层（技术分析师、新闻分析师、基本面分析师、研报分析师）
- 基金经理智能体层（价值型、成长型、量化型）
- 风控智能体层
- 由中央工作流编排器驱动

• 说明系统设计具备角色清晰、数据丰富、职责明确的特点。

5. 图5 K线图及技术指标示例（page 5）

• 展示“000001.SZ”平安银行近一年K线走势，叠加MA5/10/20/30均线，布林带中、上、下轨，道氏指标MACD和KDJ指标。

- 清晰展现行情走势与技术指标数据节点，辅助技术分析智能体对市场趋势、买卖压力、能量等做出判断。

6. 图6 图像分析调用代码（page 6）

• 展示使用QWEN-VL-MAX多模态大模型API进行图像输入及编码调用的示例代码。

- 保障技术分析师智能体能够准确分析K线图像并结合技术指标文本生成分析结果。

7. 图9 PDF分析调用代码（page 9）

• 演示Gemini-2.5-Flash处理PDF文档的API示例，展示读取文件字节并向模型请求摘要的流程。

- 说明基本面分析师可以利用先进多模态模型直接解读公司财务报告，提高准确性。

8. 智能体分析示例（页面7-11）

• 详细呈现技术分析师、新闻分析师、基本面分析师和研报分析师对平安银行的多角度输出，含具体数值、趋势描述、潜在风险及结论。

- 支撑多角度融合的投资决策与风险预警。

9. 各基金经理智能体投资建议（页面12-14）

• 特色图示价值型、成长型和量化型基金经理对平安银行的目标价、操作建议、持仓比例、持有期限及风险退出条件。

- 不同策略反映了多样化的投资哲学，体现多智能体架构的灵活性。

10. 风控智能体风险评估（页面15）

• 清晰展示合规状态、风险评级和针对市场、流动性、信用、操作风险的等级及缓解措施。

- 支持系统决策的有效风险管控。

11. 多智能体综合投资分析报告示例（页面16）

• 展示由工作流编排器整合各智能体观点和量化指标输出的综合投资分析报告。

- 包含置信度、趋势预测、支撑阻力位、情绪分析等多维度数据，为人工或自动交易决策提供系统支持。

---

四、估值分析

报告的估值部分主要由价值型、成长型和量化基金经理智能体给出，基于其对基本面和技术面信息的综合解读：

• 估值方法：隐含采用基于相对估值（市盈率）、基本面盈利预测、技术指标及宏观经济展望的综合判断。具体的折现率和永续增长率未明确说明，但结合基本面分析师的财务预测和市场估值水平，可推测其估值有内生的安全边际框架。

- 目标价格：
- 价值型：13.83元，强调安全边际、内在价值、资产质量稳定及战略执行力。
- 成长型：13.32元，关注业务转型和长期成长潜力。
- 量化型：13.8元，基于技术指标和量化模型，侧重短期市场趋势。

• 关键假设：

- 净息差回升、资产质量维稳或改善是核心盈利提升驱动力。
- 政策支撑银行业估值修复。
- 宏观经济企稳复苏带动信贷需求增长。

• 敏感性：

- 各智能体均对净息差、资产质量和经济环境变化敏感。
- 风险包括房地产行业风险、宏观经济下行、监管政策变化及市场情绪波动。

---

五、风险因素评估

报告全面阐述了多个风险因素，并提供相应缓解建议：

• 宏观及市场风险：

- 宏观经济下行超预期导致信贷需求下降，资产质量恶化。
- 银行业竞争加剧，金融科技冲击盈利模式。
- 市场价格波动及投资者情绪变化带来不确定性。

• 资产质量风险：

- 房地产及相关行业不良贷款率大幅上升。
- 个人贷款质量承压，特别是零售业务风险。
- 拨备覆盖率下降，信用风险加大。

• 政策风险：

- 监管政策调整（让利实体经济等）可能压缩净息差。
- 银行业法规变动导致经营压力和资金成本上升。

• 操作及流动性风险：

- 虽然报告中流动性风险与操作风险等级较低，但仍需严格执行交易及风险控制流程。

• 缓解措施：

- 设置止损线、防范市场波动风险。
- 分散投资降低集中风险。
- 持续监控财务指标与市场动态。
- 结合风控智能体模型实施全流程风控。

---

六、批判性视角与细微差别

• 模型依赖性风险：多智能体框架对大模型（QWEN-VL-MAX、Gemini、GPT系列等）高度依赖，虽然提升了分析能力，但也存在模型幻觉与误判风险，特别是多模态数据的处理复杂度较高。

- 假设充分性：报告对宏观经济和政策环境假设大多正面，未详细覆盖极端逆风场景可能带来的影响，风险预警虽详实，防范方案较为泛泛。

• 异质视角整合难题：基金经理智能体间投资意见存在细微分歧（价值型更谨慎，成长型更乐观），报告未详述最终决策中对冲意见的统合机制及权重配置。

- 数据实时性与准确性：尽管统一平台处理数据，报告中已明确说明新闻、研报等外部数据可能存在延迟与不准确情形，潜在影响结论的实时有效性。

• 扩展与升级：报告提出未来引入宏观和行业智能体，但当前版本未覆盖ESG等新兴主题，仍有完善空间。

---

七、结论性综合

本报告系统全面地展示了一个高度自动化和智能化的多智能体投资决策架构，模拟真实投研组织的角色分工和协作环境，以多模态金融数据为输入，通过八类智能体层层加工，输出富含洞察的投资建议和风险预警。其关键贡献和发现包括：

• 多模态数据融合：全面涵盖K线图、技术指标、新闻文本、财务报告PDF和券商研报，实现信息的深度综合。

- 细分智能体层次：四类分析师智能体针对不同数据源，分别挖掘趋势、情绪、基本面和市场预期；基金经理智能体基于多元策略视角提供个性化投资建议；风控智能体保障系统风险可控。

• 中央工作流编排：保证智能体任务高效调度与参数动态配置，支持系统升级与多场景应用。

- 投资策略多样性：体现不同投资哲学（价值、成长、量化）的综合研判，目标价均在合理区间，风险识别明确，提升决策稳健性。

• 风险管理体系完善：结合市场、流动性、信用和操作风险全方位把控，及时调整投资组合结构。

- 技术实现细节：利用多模态大模型（QWEN、Gemini等）及高效API接口确保数据处理与分析质量。

图表中清晰展示了系统架构（图4）、技术指标（图5）、模型调用示例（图6、图9）和基金经理建议（图12-14）、风控报告（图15），提供丰富、具体的操作流程和实例说明。

综上，报告体现了中信建投证券在金融AI智能投研领域的前沿探索，具有明显的创新性和实践价值，为金融机构的资产管理和投资决策提供了新的范式和工具，也为行业技术发展指明方向。

---

溯源标注：

上述分析内容涵盖报告第0至17页，具体引用格式示例为：[page::0,1,2,...,17]。

---

附录：关键图表呈现

• 

-

• 

-

• 

-

• 

-

• 

-

• 

---

总结完毕。

报告