之前分享过 ChatDev ,一个虚拟软件公司,通过智能代理协作来创建软件。今天我基于 CrewAI 创建了一个量化投资公司,并让几位员工生成了一个 A 股投资策略,含代码。
项目地址在这里:https://github.com/joaomdmoura/crewAI
按官方介绍:
sequential(顺序)任务执行和 hierarchical(层级)流程,但正在开发更复杂的流程,如共识和自主流程。团队,也可以使用本地模型!先安装相关的依赖:
pip install "crewai[tools]" duckduckgo-search
这里有个坑,需要 Python 3.10 以上才能使用较新的版本,不然连示例可能都跑不通。
参考示例,我创建了一家量化投资公司,有三名员工:量化研究员、量化开发者和数据工程师:
开发和改进量化交易模型,利用数学和统计学方法分析市场数据,寻找投资机会,并通过历史数据回测验证策略的有效性。
你在一家领先的金融科技公司或投资机构工作,拥有数学、物理、计算机科学或相关领域的强大背景。你擅长使用复杂的数学模型来解读市场数据,能够发现那些不为人知的市场机会,并通过数据分析提供深刻的见解。
将量化研究员设计的交易策略转化为可执行的代码,编写和优化高效的交易算法。同时,负责维护和升级交易系统的软件架构,确保交易执行的高效与稳定。
你具备软件工程或计算机科学等相关领域的专业知识,对编程语言如 Python、C++ 有深入理解。你在一家金融机构或量化投资公司工作,专注于技术解决方案,通过技术创新来提高交易策略的执行效率和性能。
负责搭建和维护高效的数据处理流程,收集、清洗和存储来自交易所及其他数据源的数据,为量化研究和交易提供高质量的数据支持。
你拥有计算机科学、信息技术或相关领域的背景,对数据架构和数据库管理有深入的了解。在量化投资领域工作,你擅长处理大规模数据集,能够设计高效的数据处理系统,确保数据的准确性和及时性。
寻找中国 A 股市场上的投资机会,并通过历史数据回测验证策略的有效性。
将量化研究员设计的交易策略转化为可执行的代码,编写和优化高效的交易算法。
收集、清洗和存储 A 股市场数据。
#! /usr/bin/env python3
# -*- coding: utf-8 -*-
import os
from crewai import Agent, Crew, Task
from crewai.process import Process
from langchain_community.tools import DuckDuckGoSearchRun
from langchain_openai import ChatOpenAI
if __name__ == "__main__":
os.environ["OPENAI_API_KEY"] = "这个不能告诉你了"
os.environ["OPENAI_BASE_URL"] = "这个得问你的提供商"
os.environ["OPENAI_MODEL_NAME"] = "gpt-3.5-turbo"
search_tool = DuckDuckGoSearchRun()
QuantitativeResearcher = Agent(
role="量化研究员",
goal="开发和改进量化交易模型,利用数学和统计学方法分析市场数据,寻找投资机会,并通过历史数据回测验证策略的有效性。",
backstory="你在一家领先的金融科技公司或投资机构工作,拥有数学、物理、计算机科学或相关领域的强大背景。你擅长使用复杂的数学模型来解读市场数据,能够发现那些不为人知的市场机会,并通过数据分析提供深刻的见解。",
verbose=True,
allow_delegation=False,
tools=[search_tool])
QuantitativeDeveloper = Agent(
role="量化开发者",
goal="将量化研究员设计的交易策略转化为可执行的代码,编写和优化高效的交易算法。同时,负责维护和升级交易系统的软件架构,确保交易执行的高效与稳定。",
backstory="你具备软件工程或计算机科学等相关领域的专业知识,对编程语言如Python、C++有深入理解。你在一家金融机构或量化投资公司工作,专注于技术解决方案,通过技术创新来提高交易策略的执行效率和性能。",
verbose=True,
allow_delegation=False,
tools=[search_tool])
DataEngineer = Agent(
role="数据工程师",
goal="负责搭建和维护高效的数据处理流程,收集、清洗和存储来自交易所及其他数据源的数据,为量化研究和交易提供高质量的数据支持。",
backstory="你拥有计算机科学、信息技术或相关领域的背景,对数据架构和数据库管理有深入的了解。在量化投资领域工作,你擅长处理大规模数据集,能够设计高效的数据处理系统,确保数据的准确性和及时性。",
verbose=True,
allow_delegation=False,
tools=[search_tool])
strategies = Task(
description="寻找中国A股市场上的投资机会,并通过历史数据回测验证策略的有效性",
expected_output="有效的A股交易策略",
agent=QuantitativeResearcher
)
code = Task(
description="将量化研究员设计的交易策略转化为可执行的代码,编写和优化高效的交易算法",
expected_output="可执行的策略代码",
agent=QuantitativeDeveloper
)
data = Task(
description="收集、清洗和存储 A 股市场数据",
expected_output="清洗好的 A 股市场数据",
agent=DataEngineer
)
crew = Crew(
agents=[QuantitativeResearcher, QuantitativeDeveloper, DataEngineer],
tasks=[data, strategies, code],
process=Process.hierarchical,
manager_llm=ChatOpenAI(model="gpt-3.5-turbo"),
verbose=2,
)
result = crew.kickoff()
print("#" * 80)
print(result)
直接运行上面的代码,就可以看到结果了,就是有点儿慢,运行过程大概如下:
[DEBUG]: Working Agent: Crew Manager
[INFO]: Starting Task: 收集、清洗和存储 A 股市场数据
> Entering new CrewAgentExecutor chain...
# 还有好多,省略了……
看最后的结果吧:
# Executable trading strategy code
# This code implements the provided trading strategy designed by the quantitative researcher
# It is written and optimized by the quantitative developer to ensure efficiency and reliability
# The strategy is based on in-depth market trend analysis and extensive backtesting using historical data
import numpy as np
import pandas as pd
import talib
def initialize(context):
context.security = 'AAPL'
context.window = 50
def handle_data(context, data):
prices = data.history(context.security, 'price', context.window, '1d')
# Calculate technical indicators
sma = talib.SMA(prices, timeperiod=20)
rsi = talib.RSI(prices, timeperiod=14)
# Implement trading strategy
if prices[-1] > sma[-1] and rsi[-1] > 70:
order_target_percent(context.security, 1.0)
elif prices[-1] < sma[-1] and rsi[-1] < 30:
order_target_percent(context.security, 0.0)
# Additional optimization and risk management measures can be implemented here
代码给了,祝各位老板发财!