常见问题与下一步学习建议

常见问题与下一步学习建议

难度：入门

本篇汇总零基础学习者最常卡住的问题，并给出学完本教程后的务实下一步。读完后，你应能独立向别人讲解：这套 AI 对冲基金在学什么、不保证什么、怎样负责任地使用。

本文你将学到

• 密钥、结果不稳定、能否实盘等高频疑问的直接回答
• 与源码行为一致的排查思路
• 一条由浅入深的复习路径
• 想继续深入时可以关注的方向（点到为止）

免责声明

本 FAQ 不构成投资、法律或税务建议。项目与教程作者不对使用本软件产生的任何损失负责。请仅将本系统用于教育与研究。

常见问题

1. 必须同时有大模型密钥和金融数据密钥吗？

是。 前者驱动各 Agent 的 LLM 推理（见 src/cli/input.py 的 select_model 与 Agent 内 call_llm）；后者通过 src/tools/api 拉价格、财报、新闻等（如 risk_management_agent 中的 get_prices）。只配一种通常无法完成完整流程：缺 LLM 则无法生成 signal/reasoning；缺金融数据则拉数失败或风控使用默认波动率 fallback。

2. 为什么两次运行结论不完全一样？

主要原因：

• LLM 随机性：温度与采样导致 reasoning 措辞、偶发 action 差异。
• 数据刷新：新闻、指标边界日变化。
• 参数不同：分析师子集、模型、日期区间任一变化都会改变结果。

学习时应关注分歧结构是否稳定（例如价值派仍偏 BEARISH、成长派仍偏 BULLISH），而非每一个字都必须复现。若需更强可重复性，可查阅 LLM 提供商是否支持 deterministic 模式——本项目默认教育场景不强调此点。

3. 能用来自动真实下单吗？

不能按本项目定位这样做。 系统输出 research 建议，不承担券商执行；TradeExecutor 仅服务回测模拟。若有人宣称「接上 API 就能稳赚」，请立刻警惕。真实交易涉及合规、风控、资金管理与法律责任，远超本仓库范围。

4. 本地 Ollama 一定更安全、更强吗？

更安全通常指请求少发往公有云；更强则不一定。ensure_ollama_and_model 只保证服务可用，不保证推理质量。本地小模型可能在结构化 JSON 输出上弱于云端旗舰，导致 parse_hedge_fund_response 偶发失败。第一堂课云端小模型往往更平滑；熟悉流程后再做 Ollama 对照。

5. 为什么我开了很多 Agent，最终还是 HOLD？

对照 portfolio_manager.py 逻辑，常见原因：

请用上手章三层读报法：先看 PORTFOLIO SUMMARY，再查 analyst 表，最后读 TRADING DECISION reasoning。

6. --ticker 和 --tickers 有什么区别？

无区别。add_common_args 中 --tickers 与 --ticker 共用 dest="tickers"，由 parse_tickers 按逗号拆分。

7. 回测比单次分析慢很多，正常吗？

正常。 BacktestEngine.run_backtest 对每个工作日调用一次 run_hedge_fund，每次都要跑完整 Agent 图。一个月约二十余个工作日，即二十余次完整推理。减少交易日、减少分析师、使用更快模型可降耗时与费用。

8. 中文教程和英文 README 冲突听谁的？

操作命令与参数名以仓库根目录英文 README 及源码为准（如 src/cli/input.py 中的 argparse 定义）；中文概念与 Agent 体系以 docs/ 教程为准。若上游更新 Agent 名单，以运行时 ANALYST_ORDER 与界面可选列表为准。

9. 如何自定义新的投资人 Agent？

本教程不展开开发细节。熟悉运行后，可参考 src/agents/ 下现有 Agent 模式：接收 AgentState、写 analyst_signals、在 src/utils/analysts.py 注册节点。亦可关注项目 VISION 与 ROADMAP 中「可插拔 alpha 模型」方向。

10. Web 与 CLI 结果不一致？

确保 ticker、日期、分析师集合、模型、初始资金、保证金参数一致。Web 可能默认不同模型或日期；逐项对齐后再比较。

推荐复习路径

第 1 步：回顾 create_workflow 边：分析师 → 风控 → 组合。
第 2 步：固定 AAPL，分别只开 value 派与 growth 派，记录 action/quantity。
第 3 步：选一次冲突运行，按 signal/confidence/reasoning 与限额写短文。
第 4 步：跑 --start-date 至 --end-date 一个月回测，回答「不能证明什么」。

下一步可以做什么

1. 对照实验笔记：固定 ticker，只改 --analysts，表格记录最终决策变化。
2. 风格词典：自建「人格关键词」小抄（安全边际、颠覆创新、宏观流动性等）。
3. 界面演示：用 Web 画布向同伴讲解三层结构与风控插入点。
4. 读源码深潜（可选）：risk_manager.py 波动率限额、portfolio_manager.py 的 PortfolioDecision schema、backtesting/trader.py 成交规则。
5. 审慎扩展（可选）：仅在有真实需求时研究持久化 fund 实体、live trading 等路线图内容——默认仍应保持 paper/education 模式。

全教程收束：你应具备的四项能力

• 用自己的话解释项目教育边界与免责声明
• 指出人格、专题、风控、组合四类角色及其在图中的顺序
• 独立完成一次 CLI 或 Web 运行，并用三层法读懂输出
• 清醒看待回测曲线，能列出至少三条「回测不能证明」的命题

回到总目录与其他章

• 若要回到中文教程总览，请打开 docs 目录下的总 README。
• 若要从 Agent 细节重学，请打开 02-agents 支柱页。
• 若要重练动手，请回到 03-hands-on 本章。

最后的话

感谢认真学完。把好奇留在研究方法、论证结构、限额逻辑上，把真金白银的决策留在理性、合规与专业顾问上。AI 可以帮你组织一次「虚拟投资委员会」，但不能替你做人生重大财务决定。

本延伸章完结。请根据需要返回总目录或其它章节继续学习。