深度技术解读：stock_strategy_lab —— LLM 驱动的 A 股三层多智能体量化研究工作台

📌 核心价值：把单资产择时、资产池预算、组合融合三件事拆成三个独立的 LLM 智能体，每层都能闭环迭代，让 AI 像真实投研团队一样跑量化策略。

一句话总结：基于 DeepAgents 框架的 A 股专属量化研究系统，三层多智能体（信号层 → 预算层 → 组合层）各自独立运行又可串联，支持 MiniQMT/AKShare 数据，全程 CLI 交互、可介入调整、会话持久化。

封面图

⚠️ 风险提示：本文仅作技术交流，不构成投资建议。量化策略存在显著风险，回测结果不代表未来收益。A 股市场受政策、T+1、涨跌停等多重约束，任何开源工具都需先在模拟环境充分验证再考虑实盘。

🚀 什么是 stock_strategy_lab？

stock_strategy_lab 是面向 A 股、ETF 与指数研究的多智能体量化策略工作台，由开发者 adennng 在 GitHub 开源（⭐32，仓库根目录无显式 LICENSE，请联系作者 lizheng202601@163.com 确认商用授权）。它的核心不是"又一个回测框架"，而是把多智能体协作模式工程化地搬到量化研究里，让 LLM 真正参与到策略编写、回测评估、复盘归因、迭代优化的完整闭环。

项目最新一次提交在 2026-08-15，主体代码 1249 KB，采用 Python 3.11+ 编写，依赖 DeepAgents/LangChain 框架。仓库内置 30+ 类信号构件（趋势动量、通道突破、均值回归、波动率状态、量价过滤、多周期确认、防御降仓等）和完整的预算层、组合层策略库，扩展策略时改 skill 文档而无需动 Python 主代码——这是它与传统量化框架最大的差异。

核心定位：让"AI 写策略、AI 改参数、AI 自己复盘"成为可工程化复现的标准化工作流，而不是 chat 一下就完事的脚本玩具。

✨ 核心功能一览

功能对比表

项目的"三层 + 复盘"结构不是噱头，而是基于"投研团队实际分工"的工程化抽象：

信号层 SignalAgent：回答"单个资产什么时候买、买多少、什么时候降仓"。内置 RegimeSwitchingAlpha（不同市场状态切换）+ MultiTimeframeAlpha（多周期确认）+ Filters（辅助过滤）+ ExitPolicy（出场风控）+ PositionMapper（仓位映射）+ StateRules（状态纪律）六个可组合模块，覆盖 30+ 类信号构件。
预算层 BudgetAgent：回答"一组资产之间资金怎么分"。内置 UniverseGate（资产准入）+ AssetScorer（资产打分）+ AllocationEngine（预算分配）+ RiskOverlay（风险覆盖）+ RebalanceScheduler（调仓节奏）+ ConstraintProjector（约束投影）+ Diagnostics（诊断输出）七个组件，覆盖趋势轮动、低波防御、均衡配置、集中进攻、风险预算、相关性约束六大策略簇。
组合层 PortfolioAgent：回答"信号强弱 + 预算权重怎么融合"。支持"信号主导 + 预算约束"、"预算主导 + 信号修正"、"闲置资金再分配"、"市场阶段切换融合"等多种融合逻辑，并通过 LLM 自行探索最优组合公式。
复盘子智能体 CriticAgent：每个主智能体都对应一个独立 CriticAgent，专门负责多维度归因（哪些市场阶段好、哪些阶段差、回撤来源、换手率、资金利用率），把复盘结论写回智能体记忆，下次自动规避已踩过的坑。

🛠️ 快速上手：5 分钟跑通三层流程

安装与配置

git clone https://github.com/adennng/stock_strategy_lab
cd stock_strategy_lab
python -m venv .venv
.\.venv\Scripts\activate     # Windows
python -m pip install --upgrade pip
pip install -e ".[quant,agents,data,dev]"

配置 LLM 与数据源

复制 .env.example 到 .env，填入你的 LLM API Key 和 MiniQMT 路径：

DEEPSEEK_API_KEY=your_key_here
DEEPSEEK_BASE_URL=https://api.deepseek.com
DEEPSEEK_MODEL=deepseek-v4-pro

QMT_USERDATA=D:\国金QMT交易端\userdata_miniqmt
QMT_ACCOUNT_ID=your_account

跑信号层：单资产策略生成

python -m strategy_lab.cli init
python -m strategy_lab.cli signal chat

进入交互式 CLI 后，用自然语言提出任务：

> 请为 512880.SH（证券 ETF）生成单资产策略。
> 数据范围 2015-01-01 到 2025-12-31 日线数据。
> 目标优先提高夏普比率，同时控制最大回撤。
> 请自主获取数据、画像分析、编写策略、回测、复盘并迭代，最后选择最终策略。

SignalAgent 会自动完成：创建任务目录 → DataAgent 取数 → 数据切分 → 市场画像 → 阅读策略 skill → 编写候选策略 → 回测评估 → CriticAgent 复盘 → 多轮迭代 → 最终选择。

关键能力：每轮 attempt 都独立保存到 attempts/{attempt_id}/，包含策略脚本、参数空间、train/validation/walk-forward 回测、阶段归因、复盘报告，全流程可追溯。

串联预算层与组合层

# 预算层读取多个信号层结果
python -m strategy_lab.cli budget chat
> 请基于 artifacts/signal_runs 下所有已完成最终策略选择的信号层 run，
> 创建预算层任务，训练多资产轮动策略。

# 组合层读取预算层最终结果
python -m strategy_lab.cli portfolio chat
> 请基于 artifacts/budget_runs/{budget_run_id} 创建组合层任务，
> 探索预算+信号融合策略，最后选择最终组合策略。

📊 与同类 AI 量化平台对比

竞品对比表

和港大 HKUDS 的 Vibe-Trading、微软 RD-Agent 相比，stock_strategy_lab 的差异化优势非常清晰：

更聚焦 A 股：Vibe-Trading 是全球 9+ 市场 + 452 Alpha Zoo，但 A 股深度依赖 Tushare token；RD-Agent 主打 R/D 双循环自动化研究，框架更大但学习曲线更陡。stock_strategy_lab 默认 MiniQMT（本地券商行情）+ AKShare（免费公开数据），A 股开箱即用。
更轻量的 Agent 框架：Vibe-Trading 是 ReAct + DAG + Swarm 蜂群多智能体架构，工具 75+，复杂度高；stock_strategy_lab 是 DeepAgents/LangChain 的简化封装，CLI 即可上手，无需前端服务。
真正的"改 skill 而非改代码"：每个 skill 文件（如 signal_strategy_library.md、budget_policy_library.md、fusion_policy_library.md）都是 Markdown 文档，扩展策略只需改文档，下次跑任务时 LLM 自动学会新策略。这是项目最具创新性的设计。
支持 CLI 交互式介入：每个主智能体都支持 /help、/runs、/load <run_id>、/status、/memory、/resume <thread_id> 等会话管理命令，可以随时告诉 LLM"这次优先控制回撤"或"这次重点解决资金利用率"，AI 会写入任务状态文件并据此调整。

🏗️ 三层架构技术细节

stock_strategy_lab 架构图

完整数据流（架构图）：

用户自然语言任务
       ↓
DataAgent (MiniQMT/AKShare)
       ↓
SignalAgent → CriticAgent（信号层）
       ↓ final strategy
BudgetAgent → BudgetCriticAgent（预算层）
       ↓ final policy
PortfolioAgent → PortfolioCriticAgent（组合层）
       ↓ final fusion policy
每日组合权重输出

每层都是"策略编写 → 回测评估 → 复盘归因 → 持续优化"的独立闭环，最终通过 source_artifacts/ 把前一层产物复制到下一层 run 目录，保证三层之间的依赖关系清晰可追溯。

💡 适用场景

场景一：单资产深度策略研究（只用信号层）

功能说明：让 AI Agent 自主探索某只 ETF、指数或个股的交易策略，无需人工干预。

输入要求：资产代码、数据时间范围、目标偏好（夏普/最大回撤/资金利用率）

输出效果：标准化目录产物（策略脚本、参数空间、walk-forward 验证、QuantStats 报告、阶段归因、最终策略）

适用场景：

单只 ETF 择时（如 512880.SH 证券 ETF）
宽基指数增强策略（如沪深 300、中证 500）
行业主题轮动前置研究

三层研究工作站示意图

场景二：资产池预算配置（只用预算层）

功能说明：让 BudgetAgent 在一组资产之间自动训练轮动/防御/集中等不同策略簇的预算策略。

输入要求：资产池代码列表、用户偏好（看收益、夏普、回撤还是换手率）

输出效果：每日预算权重、阶段归因报告、最优预算策略登记

适用场景：

行业 ETF 轮动（证券/医药/科技/消费）
宽基指数股债配置（沪深 300 + 中证 500 + 债券 ETF）
主题基金组合配置

场景三：三层完整融合（信号+预算+组合）

功能说明：把单资产择时和资产池配置融合到最终组合策略，是项目最完整的使用方式。

输入要求：信号层产物目录 + 预算层产物目录

输出效果：每日组合持仓权重、组合层回测报告、最终融合策略

适用场景：

多 ETF 组合策略（如 5 只 ETF 联动 + 强信号增强）
指数增强 + 行业轮动 + 现金管理的完整体系
A 股全市场量化研究闭环

用户群体总结

✅ A 股个人量化研究者：用三层架构快速探索策略，无需从头写回测代码
✅ 量化团队 Lead：用 LLM 自动化大量初版策略筛选，人类专注于策略评审
✅ AI 工程化实践者：学习 DeepAgents 框架在垂直领域的多智能体落地范式
✅ 教学与培训场景：完整的 CLI 交互 + 状态文件 + 产物目录，非常适合做教学演示
❌ 不适合：高频 tick 策略（项目以日线为主）、需要直接对接实盘券商（项目仅模拟，不自动下单）

🔄 完整工作流演示

stock_strategy_lab 工作流程图

项目内置 5 个调度研究模板，支持 IANA 时区感知、DST 友好的 cron 调度，可以接入 GitHub Actions 或本地 crontab 跑每日任务。完整的"研究一次、用很多次"工作流：

1. DataAgent 拉取数据 → 标准 parquet 文件
2. SignalAgent 跑单资产策略 → final/strategy.json
3. BudgetAgent 读多个信号层产物 → final/budget_policy.json
4. PortfolioAgent 读预算层 final → final/fusion_policy.json
5. 每日定时任务执行 fusion_policy → 输出当日持仓权重

💻 核心代码示例

启动信号层智能体

# src/strategy_lab/cli.py
import typer
from strategy_lab.agents.signal_agent import SignalAgent

app = typer.Typer()

@app.command()
def signal_chat():
    """进入信号层交互式会话"""
    agent = SignalAgent.from_config("configs/agent.yaml")
    agent.run_interactive()

if __name__ == "__main__":
    app()

自定义信号策略（仅需修改 skill 文档）

在 src/strategy_lab/skills/signal_agent/strategy-authoring/references/signal_strategy_library.md 添加：

## 6. 多因子动量反转策略

### 思路
- 入场：5 日动量 > 0 且 RSI(14) < 70（趋势确认 + 不超买）
- 加仓：当日收盘突破 N 日新高 + 成交量 > 1.5 倍均量
- 减仓：RSI(14) > 80 或 5 日动量转负
- 清仓：固定 10% 止损 或 20% 止盈

### 适用环境
- 趋势市 + 中等波动率
- 不适合：单边下跌、剧烈震荡

下次跑任务时，SignalAgent 会自动读取这个新策略，无需改动主代码。

注意：项目所有 skill 都是 Markdown 文档，扩展策略最简单的方式是直接修改 references/*.md 文件，重启 CLI 即可生效。

🎯 总结

stock_strategy_lab 是一个把"多智能体协作"工程化落地的开源量化研究框架。它没有 Vibe-Trading 那样的 9+ 市场广度，也没有 RD-Agent 那样全自动的研究流水线，但在 A 股垂直场景下做到了三个独特价值：

三层独立 + 可串联：信号层、预算层、组合层各自独立闭环，可单独使用也可完整串联，灵活度高于单一回测框架。
LLM 真正参与决策：不是 chat 一下就完事，而是 LLM 编写策略、读取参数空间、生成元数据，由 CriticAgent 复盘归因，形成完整工程化闭环。
改 skill 而非改代码：通过 Markdown 文档扩展策略库，无需 Python 编程即可让 AI 学到新策略，这是项目最值得借鉴的设计哲学。

推荐指数： ⭐⭐⭐⭐（4/5，适合 A 股个人/团队的量化研究工作台）

适合人群： A 股量化研究者、量化团队、AI Agent 工程化实践者、教学培训场景

立即体验： GitHub 仓库

GitHub 仓库： adennng/stock_strategy_lab

数据截至 2026-08-26，最新信息请以 GitHub 仓库为准。

深度技术解读：stockstrategylab —— LLM 驱动的 A 股三层多智能体量化研究工作台

配套媒体

深度技术解读：stock_strategy_lab —— LLM 驱动的 A 股三层多智能体量化研究工作台

🚀 什么是 stock_strategy_lab？

✨ 核心功能一览

🛠️ 快速上手：5 分钟跑通三层流程

安装与配置

配置 LLM 与数据源

跑信号层：单资产策略生成

串联预算层与组合层

📊 与同类 AI 量化平台对比

🏗️ 三层架构技术细节

💡 适用场景

场景一：单资产深度策略研究（只用信号层）

场景二：资产池预算配置（只用预算层）

场景三：三层完整融合（信号+预算+组合）

用户群体总结

🔄 完整工作流演示

💻 核心代码示例

启动信号层智能体

自定义信号策略（仅需修改 skill 文档）

🎯 总结