💻 computer science

A Multi-Agent Generative AI Framework for Explainable Stock Market Analysis in Indian Equity Market

本文提出了一种由五个智能体组成的生成式人工智能框架，该框架将技术分析、基本面分析、情绪分析与异常检测及基于大语言模型的推理相结合，为印度股票市场提供具有可解释性且具备置信度感知能力的预测，实现了72%的方向准确率和78%的跨智能体共识。

原作者： R Ashok Kumar, Prashanth Gowda G D

发布于 2026-07-08

📖 1 分钟阅读☕ 轻松阅读

原作者： R Ashok Kumar, Prashanth Gowda G D

原始论文采用 CC BY 4.0 许可（https://creativecommons.org/licenses/by/4.0/）。 ✨ 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。阅读完整免责声明

想象一下，你正试图决定是否要购买某只特定的印度股票。通常情况下，你必须同时扮演侦探、数学家、心理学家和历史学家。你需要观察价格图表（技术面）、阅读资产负债表（基本面）、扫描新闻中的传闻（情绪面），并将该公司与其同行进行对比（行业基准分析）。独自完成这一切非常令人疲惫，而且各种线索往往会相互矛盾。

这篇论文介绍了一个解决方案：一个由五名专家机器人（智能体）组成的数字化团队，他们协同工作，为你提供一个清晰、诚实的答案，并附带一个你能真正理解的“理由”。

以下是这个“团队”的工作方式，分为几个简单的部分：

1. 五位专家（智能体）

系统并没有使用一个庞大而混乱的计算机大脑，而是使用了五个专门的智能体，每个智能体都有特定的职责。它们同时工作（就像一场每个人都同时起跑的接力赛一样）以节省时间。

图表阅读者（技术面智能体）： 该智能体观察股票的价格历史。它检查股票是在上涨还是下跌，是否“过热”（涨得太快或太贵），或者是否是基于动量买入的好时机。它就像是一个观察波浪的冲浪者，以此判断何时跳入水中。
会计师（基本面智能体）： 该智能体挖掘公司的财务健康状况。它检查公司是否在赚钱，债务是否过多，以及其价格相对于收益是否合理。它就像是一个在买房前检查地基和屋顶的房屋检查员。
情绪阅读者（情绪面智能体）： 该智能体阅读关于该公司的数千篇新闻文章和社交媒体帖子。它使用一种经过金融语言训练的特殊 AI（FinBERT）来判断新闻是好、是坏还是中性的。它知道昨天的消息不如今天的消息重要，因此会赋予近期报道更高的权重。
表示
邻里观察者（行业智能体）： 该智能体将目标公司与竞争对手进行比较。这家公司表现得比同行业的其他公司更好还是更差？这就像是检查一名学生是班里的佼佼者还是仅仅处于平均水平。
法官（综合智能体）： 这是团队的领导者。它接收其他四位专家的报告，根据每位专家表现出的信心程度进行加权，并将它们合并为一个最终得分。

2. “自愈”机制

如果图表阅读者说“买入”，但会计师说“卖出”该怎么办？在许多 AI 系统中，这会导致崩溃或给出令人困惑的答案。

在这个系统中，有一个裁判（异常检测器）。如果专家之间的分歧过大，裁判会停止处理过程并说：“等等，出问题了。让我们重新检查一下数据。”系统会自动使用新鲜的数据重新运行检查。它会尝试两次。如果经过两次尝试后专家们仍然意见不一，系统会将结果标记为需要人工查看，而不是进行猜测。这使得系统具有“自愈”能力，因为它会在给出答案之前尝试修复自己的错误。

3. “翻译官”（可解释 AI）

大多数 AI 系统只会给你一个数字（例如“买入”），但不会告诉你为什么。它们是“黑箱”。

该系统使用 Google Gemini AI，其目的不是做出决策，而是将决策翻译成通俗易懂的英语。你可以把这五个智能体看作是“证据”，而 Gemini AI 则是法庭上的律师，负责陈述案例。它会写下一段简短的话，例如：“我们建议买入这只股票，因为价格正在上涨（技术面）、公司债务较低（基本面），且新闻情绪积极（情绪面）。”它会引用所使用的具体数据，因此你可以信任其推理过程。

4. 它的速度和准确性如何？

研究人员在 5 个不同行业（如 IT、银行业和能源业）的 10 只不同印度股票上测试了这个系统，时间跨度为 15 个月。

速度： 它非常快。分析一只股票并生成报告大约只需要 26 到 32 秒。这个速度足以让你在等待咖啡的时间内完成分析。
准确性： 当系统预测股票会上涨或下跌时，其在未来五天内的预测准确率达到了 72%。这比单纯靠猜测或仅使用一种类型的分析要好。
一致性： 这五位专家有 78% 的时间意见一致。当他们达成共识时，系统的信心度会更高。

核心结论

这篇论文展示了一个框架，它将混乱、复杂的股票分析转变为一个结构化的、基于团队的过程。它不仅给你一个“买入”或“卖出”的信号，还给出了一个由多维度数据支持的合理解释。它是专门为印度市场设计的，能够处理当地的新闻和市场特性，并包含了防止 AI 在数据混乱时做出荒唐猜测的安全检查。

简而言之，这就像拥有一个由五位专家组成的个人投资委员会，他们检查自己的工作，争论观点，并在不到 30 秒的时间内为你写出一份清晰、易读的报告。

技术摘要：用于印度股票市场可解释性分析的多智能体生成式人工智能框架

问题陈述
印度市场的零售股票投资者和金融研究人员面临着一个关键挑战：分析碎片化。技术面、基本面和情绪信号传统上是孤立处理的，无法实现统一且具备置信度的分析。此外，现有的 AI 驱动型股票预测工具往往优先考虑准确性而非可解释性，依赖于提供点预测而缺乏透明推理链的“黑盒”深度学习模型（如 LSTM、GRU）。这种缺乏可解释性的现象阻碍了监管合规性和投资者信任，因为决策者无法验证算法建议背后的逻辑。

方法论
作者提出了一种专门针对印度股票（NSE 和 BSE）设计的异构五智能体框架。该系统基于 Python asyncio 进行并行执行，并利用 LangGraph 进行编排，运行在一个模块化、状态管理的流水线之上。

数据摄取： 系统通过 yfinance 获取 OHLCV 数据和基本面指标，并使用 BeautifulSoup4 从 Moneycontrol 和 Economic Times 抓取财经新闻。文本数据使用 sentence-transformers 进行嵌入，并索引在双向量数据库（FAISS 和 ChromaDB）中以进行检索增强生成（RAG）。
专家智能体（并行执行）：
- 技术分析智能体： 计算 RSI、MACD、多周期 EMA（9, 21, 50, 200）以及支撑/阻力位。它根据指标的一致性生成加权得分和置信度。
- 基本面分析智能体： 通过估值（P/E, P/B, PEG）、盈利能力（ROE, ROA）、财务健康状况（债务/权益比, 流动比率）和增长指标来评估内在价值。它采用针对行业中位数进行 Z 分数归一化的处理方式。
- 情绪分析智能体： 利用 ProsusAI FinBERT 进行三分类情绪分类，并辅以指数时间衰减权重函数（ $\lambda=0.9$ ）以优先考虑近期新闻。如果 LLM 失效，则激活基于规则的备选方案（Loughran-McDonald 词典）。
- 行业基准分析智能体： 将目标股票与 10 个预定义印度行业中的 2-5 只同类证券进行对比，计算 P/E、回报率和增长率的分位数排名。
编排与异常检测： 编排器管理共享状态（AnalysisState）。异常检测器监控冲突情况（例如：相反的高置信度信号、价格-新闻背离或低置信度输出）。一旦检测到异常，它会触发一个受限的重新验证循环（最多两个周期），并使用扩展的数据窗口或备选数据源。如果异常持续存在，系统会将结果标记为人工检查，并应用置信度惩罚。
综合与推理：
- 综合智能体： 使用置信度加权公式聚合各智能体的输出。它应用一种共识提升机制：如果 4 个智能体中有 3 个对方向达成一致且置信度 >60%，则升级信号（例如：从 BUY $\to$ STRONG BUY）。
- 生成式推理： 系统调用 Google Gemini 2.0 Flash，其角色并非分析引擎，而是结构化渲染器。它接收聚合得分、证据列表和异常标记，以生成带有明确证据引用的自然语言投资推理。
接口： 系统通过 FastAPI REST 后端提供程序化访问，并通过带有 Plotly 可视化图表的 Streamlit 面板进行交互式筛选。

核心贡献

异构多智能体架构： 将技术面、基本面、情绪面和行业分析集成到一个统一的、状态管理的流水线中，超越了同质化的集成方法。
置信度加权综合： 一种量化多维一致性的机制，当智能体的一致性超过 75% 的阈值时，会提升信号强度。
自愈式异常检测： 一个能够识别特定冲突类型（如技术面-基本面背离）并执行受限重新验证循环以自主解决数据质量问题的模块。
领域特定情绪微调： 实现了带有指数时间衰减权重的 FinBERT，专门针对印度市场快速的新闻周期进行了优化。
架构可解释性： 一种设计模式，其中大语言模型（LLM）作为预验证信号的渲染器而非预测器，确保所有生成的推理都植根于具体的、可追溯的证据。

实验结果
该框架在 5 个行业中的 10 只 NSE 上市股票上进行了评估，测试周期为 15 个月（2024 年 1 月 – 2025 年 3 月）。

共识度： 系统在 78% 的测试案例中实现了跨智能体共识。
方向准确度： 该模型实现了 72% 的 5 日市场走势方向准确度，优于买入并持有策略（58%）和纯技术分析（64%）。
延迟： 通过 CLI 的端到端推理平均为 32.4 秒，通过 REST API 平均为 26.1 秒，达到了实时交互的 30 秒目标。
异常处理： 在 30% 的分析中检测到了异常；重新验证协议解决了 67% 的此类情况。
置信度相关性： 观察到置信度水平与方向准确度之间的 Pearson 相关系数为 0.61。高置信度推荐（>70%）的准确度达到 82%，而低置信度推荐仅为 58%。

意义与主张
本文将这项工作定位为一个可复现、可解释的架构，旨在解决当前金融 AI 的“黑盒”局限性。通过将异构分析视角与自愈机制及 LLM 驱动的证据引用相结合，该框架为印度等新兴市场提供了一个透明的决策支持工具。作者声称，这种方法使金融分析民主化，让零售投资者能够在不依赖不透明深度学习模型的情况下，获得具备置信度感知和可解释性的洞察。该系统被呈现为一个可以使用开源工具和公共数据构建的概念验证，并为未来的改进指明了具体路径，例如通过强化学习进行动态权重优化，以及开发更擅长处理印度金融术语的“Indic-FinBERT”模型。