量化专题分析师对照：估值、基本面、增长、技术与情绪
文档摘要
量化专题分析师对照：估值、基本面、增长、技术与情绪 难度：入门 除了投资人人格，系统在 中注册了六类「工具型」专题分析师（ 13–18）。它们不像名人那样靠投资哲学命名，而是按分析任务分工：算估值、读财报、看增长、看技术指标、解读市场与新闻情绪。六者全部位于 的并行扇出层，输出格式统一为 ，写入 后交给风险管理与组合管理。 本文你将学到 六类专题 Agent 的原理、执行逻辑与源码入口 六者对照表：数据源、打分方式、信号阈值 两种执行模式：纯规则流水线 vs LLM 增强 它们与人格 Agent 如何互补 总览分工图 六专题对照总表 配置键 | 源码文件 | 主要数据源 | 核心算法 | 信号判定 | 置信度算法 valuationanalyst | | 财务指标、行项目、市值 | DCF
量化专题分析师对照：估值、基本面、增长、技术与情绪
难度：入门
除了投资人人格，系统在 ANALYST_CONFIG 中注册了六类「工具型」专题分析师（order 13–18）。它们不像名人那样靠投资哲学命名，而是按分析任务分工：算估值、读财报、看增长、看技术指标、解读市场与新闻情绪。六者全部位于 create_workflow 的并行扇出层，输出格式统一为 {signal, confidence, reasoning}，写入 analyst_signals 后交给风险管理与组合管理。
本文你将学到
- 六类专题 Agent 的原理、执行逻辑与源码入口
- 六者对照表：数据源、打分方式、信号阈值
- 两种执行模式：纯规则流水线 vs LLM 增强
- 它们与人格 Agent 如何互补
总览分工图
六专题对照总表
| 配置键 | 源码文件 | 主要数据源 | 核心算法 | 信号判定 | 置信度算法 |
|---|---|---|---|---|---|
| valuation_analyst | valuation.py |
财务指标、行项目、市值 | DCF 情景 + 所有者收益 + EV/EBITDA + 剩余收益，加权 gap | weighted_gap > 15% 看多，< -15% 看空 | min(abs(gap)/0.30×100, 100) |
| fundamentals_analyst | fundamentals.py |
TTM 财务指标 ×10 期 | 盈利、增长、健康、估值比四维度投票 | 看多票 > 看空票 | max(多/空票数)/4 × 100 |
| growth_analyst | growth_agent.py |
指标 ×12 期 + 内部人交易 | 五维加权评分 0–1 | score > 0.6 看多，< 0.4 看空 | abs(score-0.5)×2×100 |
| technical_analyst | technicals.py |
OHLCV 价格序列 | 五策略加权 ensemble | final_score > 0.2 看多，< -0.2 看空 | abs(final_score)×100 |
| sentiment_analyst | sentiment.py |
内部人交易 + 新闻情绪标签 | 新闻 70% + 内部人 30% 加权计数 | 加权看多 > 加权看空 | 主导方向/总加权 × 100 |
| news_sentiment_analyst | news_sentiment.py |
公司新闻标题 | 缺标签时 LLM 分类 + 计数聚合 | 看多篇数 > 看空篇数 | 70% LLM 均信 + 30% 占比 |
执行模式分类
1. 估值分析师（valuation_analyst）
原理
内在价值与市场市值的「缺口」（gap）决定方向。四种估值模型互补：现金流折现（DCF）占 35%、所有者收益占 35%、EV/EBITDA 占 20%、剩余收益模型（RIM）占 10%。
执行逻辑
对每个 ticker：
get_financial_metrics（TTM，8 期）+search_line_items（FCF、净利、资本开支等 12 项）。- 计算
owner_val：owner_earnings = NI + D&A - CapEx - ΔWC，5 年折现 + 终值，再 × 0.75 安全边际。 calculate_wacc：CAPM 股权成本 + 债务成本（由利息覆盖率反推），加权并限制在 6%–20%。calculate_dcf_scenarios：熊/基/牛三情景（增长 ×0.5/×1/×1.5，WACC ×1.2/×1/×0.9），期望价值 = 0.2×熊 + 0.6×基 + 0.2×牛。calculate_ev_ebitda_value：历史中位数 EV/EBITDA × 当前 EBITDA − 净负债。calculate_residual_income_value：Edwards-Bell-Ohlson，账面价值 + 剩余收益现值，× 0.8 安全边际。- 各方法
gap = (value - market_cap) / market_cap，按权重得weighted_gap，映射三档信号。
2. 基本面分析师（fundamentals_analyst）
原理
财务报表健康度四维打分，每维独立产出子信号，再民主投票定总信号。
执行逻辑
| 维度 | 考察指标 | 看多条件 | 看空条件 |
|---|---|---|---|
| 盈利能力 | ROE、净利率、营业利润率 | ≥2 项超阈值（15%/20%/15%） | 0 项达标 |
| 增长 | 营收、盈利、账面价值增速 | ≥2 项 > 10% | 0 项达标 |
| 财务健康 | 流动比率、负债率、FCF/股 vs EPS | health_score ≥ 2 | health_score = 0 |
| 估值比 | P/E、P/B、P/S | 0 项超阈值（低估） | ≥2 项超阈值（高估） |
注意：估值比维度逻辑反向——比率高反而 bearish。最终 bullish_signals 与 bearish_signals 计数决胜；置信度 = 主导票数 / 4 × 100。
3. 增长分析师（growth_analyst）
原理
成长股投资框架：历史增长趋势 + 成长估值（PEG、PS）+ 利润率扩张 + 内部人信念 + 财务健康，五维加权。
执行逻辑
| 子模块 | 权重 | 打分要点 |
|---|---|---|
| analyze_growth_trends | 40% | 营收/EPS/FCF 增速与线性回归斜率（_calculate_trend） |
| analyze_valuation | 25% | PEG < 1 加 0.5 分；PS < 2 加 0.5 分 |
| analyze_margin_trends | 15% | 毛利率/营业利润率水平与扩张趋势 |
| analyze_insider_conviction | 10% | 净买入比 = (买-卖)/(买+卖)，> 0.5 得满分 |
| check_financial_health | 10% | D/E > 1.5 或流动比率 < 1 扣分 |
weighted_score = Σ(score × weight)；> 0.6 → bullish，< 0.4 → bearish。
4. 技术面分析师（technical_analyst）
原理
五套经典量化策略 ensemble，每策略输出 {signal, confidence}，再数值加权合成。
执行逻辑与策略权重
| 策略 | 权重 | 核心指标 | 看多触发 |
|---|---|---|---|
| 趋势跟踪 | 25% | EMA8/21/55 + ADX | 短中期均线多头排列 |
| 均值回归 | 20% | Z-score、布林带、RSI | Z < -2 且价格近下轨 |
| 动量 | 25% | 1/3/6 月收益 + 成交量确认 | momentum_score > 0.05 且放量 |
| 波动率 | 15% | 历史波动率、波动率 Z、ATR 比 | 低波 regime 且 vol_z < -1 |
| 统计套利 | 15% | Hurst 指数、偏度、峰度 | Hurst < 0.4 且正偏 |
weighted_signal_combination：bullish=+1、neutral=0、bearish=-1，累加 numeric × weight × confidence，归一化后 |score| > 0.2 定方向。
5. 市场情绪分析师（sentiment_analyst）
原理
行为金融视角：内部人交易方向 + 新闻情绪标签，按条数加权（非金额加权）。
执行逻辑
get_insider_trades：股数 < 0 → bearish，否则 bullish。get_company_news：sentiment 字段 negative/positive/neutral 映射。bullish_signals = 内部人看多数×0.3 + 新闻看多数×0.7（看空同理）。- 比较加权计数定方向；置信度 = max(加权多, 加权空) / 总加权条数 × 100。
6. 新闻情绪分析师（news_sentiment_analyst）
原理
专注新闻文本；对 API 未附带 sentiment 的标题，调用 LLM 结构化分类。
执行逻辑
get_company_news（最多 100 篇）。- 最近 10 篇中筛出
sentiment is None的，取前 5 篇。 - 对每篇标题调用
call_llm(prompt, Sentiment)，Pydantic 模型约束positive/negative/neutral+ confidence 0–100。 - 全量新闻映射为 bullish/bearish/neutral 列表，计数决胜。
_calculate_confidence_score：若有 LLM 分数，置信度 = 0.7×匹配方向 LLM 均值 + 0.3×信号占比；否则纯占比。
与人格 Agent 的差异
| 维度 | 人格 Agent | 量化专题 Agent |
|---|---|---|
| 命名 | 投资人风格 | 分析任务 |
| 可解释性 | 叙事 + LLM 推理 | 指标阈值 + 公式 |
| 数据依赖 | 因人格而异 | 上表已列明 |
| 教学价值 | 风格对比 | 方法拆解 |
理想实验：同一只股票，同时开 warren_buffett + valuation_analyst + technical_analyst，观察长期质量、量化估值、短线盘面三类结论是否一致。
新手第一次怎么选
若只想少选几个专题：
valuation_analyst（理解贵贱）fundamentals_analyst（理解质量）technical_analyst或sentiment_analyst（理解市场温度）
人格 Agent 可再加 ben_graham + cathie_wood，形成最小「会议室」。
小结
六专题 Agent 是手术刀：估值用 gap、基本面用投票、增长用加权分、技术面用 ensemble、情绪用加权计数、新闻用 LLM 补标签。它们不替代人格滤镜，而是把「贵不贵、壮不壮、涨没涨、气氛如何」拆成可审计的结构化信号。
下一篇请阅读同目录下的《风险管理 Agent：仓位上限如何算出来》（文件名 16-risk-manager.md）。