智能投顾 Agent¶

项目背景与目标¶

随着居民财富管理需求的快速增长，传统人工投顾服务存在覆盖面窄、成本高、标准化不足等问题。智能投顾（Robo-Advisor）通过算法与 AI Agent 能力，为用户提供个性化的资产配置建议、动态组合管理与再平衡服务，让大众也能享受专业的财富管理体验。

本项目目标是构建一个端到端的智能投顾 Agent 系统，核心能力包括：用户风险偏好评估、多资产配置方案生成、组合表现跟踪、自动再平衡建议、市场事件解读与持仓调整提示。系统须遵循"合规优先、风险可控、透明可解释"的原则，所有建议需附带依据说明，禁止承诺收益。

需求分析¶

用户角色： - 普通投资者：填写风险问卷、查看配置方案、接收调仓提示 - 投资顾问（人工复核）：审核高风险方案、处理异常情况 - 合规风控人员：审查建议合规性、监控异常行为

核心功能需求： 1. 风险评估：通过问卷 + 历史行为刻画用户风险等级（C1-C5） 2. 资产配置：基于风险等级、资金规模、投资期限生成大类资产配比 3. 组合再平衡：监控偏离度，触发阈值时生成再平衡建议 4. 市场解读：抓取宏观事件、财报、政策，输出对持仓的影响分析 5. 持仓诊断：对用户既有持仓进行健康度评分与优化建议

非功能需求：响应时延 P95 < 3s；配置方案可解释；所有建议留痕可审计；满足适当性管理要求。

技术选型说明¶

模块	技术方案	选型理由
Agent 框架	LangGraph	状态机式编排，适合多步骤评估流程
LLM	GPT-4o / Qwen-Max	市场解读与建议生成需要强推理
风险评估引擎	规则 + 评分卡	监管要求可解释，避免黑盒
配置算法	均值-方差模型 + Black-Litterman	经典资产配置理论，可调预期收益
行情数据	Tushare / AkShare / Wind API	覆盖 A 股、基金、债券、商品
向量库	Milvus	存储研报、政策文档做 RAG
后端	FastAPI + Celery	异步任务处理行情抓取与回测
数据库	PostgreSQL + Redis	用户画像持久化 + 实时行情缓存
前端	React + ECharts	配置饼图、净值曲线可视化

架构设计¶

flowchart TD
    U[用户终端] --> API[FastAPI 网关]
    API --> AG[LangGraph Agent 编排]
    AG --> RISK[风险评估模块]
    AG --> ALLOC[资产配置引擎]
    AG --> REB[再平衡监控]
    AG --> MKT[市场解读 RAG]
    RISK --> DB[(PostgreSQL 用户画像)]
    ALLOC --> MD[配置算法服务]
    MD --> QUOTE[行情数据服务]
    REB --> REDIS[(Redis 持仓缓存)]
    MKT --> VEC[(Milvus 研报向量)]
    MKT --> LLM[LLM 推理]
    AG --> AUDIT[审计留痕]
    CEL[Celery 定时任务] --> QUOTE
    CEL --> REB
    AUDIT --> DB

关键模块实现思路¶

模块1：风险评估¶

设计两层评估机制：静态问卷 + 动态行为。静态问卷采集年龄、收入、投资经验、亏损承受度、投资期限等维度，使用评分卡映射到 C1-C5 五档。动态行为通过用户历史交易（追涨杀跌频率、持仓集中度、赎回行为）做修正。

def map_risk_score(questionnaire: dict, behavior: dict) -> str:
    base = score_card(questionnaire)              # 0-100 分
    adjusted = base + behavior_adjust(behavior)    # 行为修正 ±10
    level = "C1" if adjusted < 20 else "C2" if adjusted < 40 ...
    return level  # 返回风险等级，附带依据

问卷题目与权重需经合规审核，避免诱导性提问。结果须强制告知用户并签字确认。

模块2：资产配置引擎¶

采用"战略配置 + 战术微调"双层结构。战略配置基于风险等级确定股/债/商品/现金的大类比例，使用均值-方差模型在历史收益-协方差矩阵上求解有效前沿，再叠加 Black-Litterman 模型引入主观观点做调整。战术微调由 LLM 结合宏观研判给出 ±5% 偏离建议。

每个风险等级预设一个"基准组合"作为锚点，配置结果须与基准偏离不超过阈值，保证一致性。

模块3：组合再平衡¶

设置时间触发（月度/季度）与阈值触发（任一资产偏离目标比例 > 5%）双机制。再平衡时考虑交易成本、税收影响、申赎限额，输出"建议卖出/买入清单"而非强制执行。

再平衡建议需附带回测对比：执行 vs 不执行过去 1 年的夏普比率差异，增强说服力。

模块4：市场解读 RAG¶

构建研报与政策文档向量库，定时抓取券商晨报、央行公告、财报季信息。当用户询问"今天大盘为什么跌"或主动推送时，LLM 先检索相关文档，再结合用户持仓生成影响分析：影响方向（利好/利空）、影响程度（高/中/低）、建议动作（持有/调仓/关注）。

核心流程详解¶

首次配置流程： 1. 用户注册并完成风险问卷 → 系统生成风险等级 2. 输入资金规模、投资期限、目标收益 3. Agent 调用配置引擎生成 3 套候选方案（保守/平衡/进取） 4. LLM 生成方案解读（为什么这样配、预期风险收益） 5. 用户选择方案 → 落地持仓 → 写入审计日志

再平衡流程： 1. Celery 定时任务每日收盘后计算持仓偏离度 2. 触发阈值 → Agent 生成再平衡建议 3. 推送通知给用户，附回测对比与依据 4. 用户确认 → 生成调仓指令（对接券商交易接口需持牌）

部署与优化建议¶

合规隔离：建议生成与交易执行物理分离，建议侧由 Agent 完成，执行侧走持牌交易系统
数据时效：行情数据缓存不超过 15 分钟，关键决策走实时接口
LLM 成本：市场解读使用 GPT-4o，简单问答降级到 GPT-4o-mini
缓存策略：基准组合与风险等级映射表常驻 Redis，减少重复计算
灰度发布：新配置算法先在 5% 用户灰度，监控夏普比率与回撤

常见问题与解决方案¶

问题	原因	解决方案
配置方案同质化	基准组合限制过死	引入用户标签做差异化微调
LLM 解读与数据矛盾	模型幻觉	RAG 强制检索 + 数值校验护栏
行情接口限流	第三方 API 配额	多源备份 + 本地缓存降级
用户风险等级突变	行为修正过激	修正幅度限幅 + 人工复核

扩展方向¶

接入港股、美股、REITs 等更多资产类别
增加目标日期基金（TDF）模式，按退休年份自动下滑风险
引入社交功能，用户可分享组合（脱敏后）供参考
对接券商 OpenAPI 实现一键调仓（需合规备案）