一个 AI-native 的个人投资研究底座：为 AI 提供数据基础与决策框架，把宏观判断、策略纪律、Agent 能力和执行工作流放进同一个系统里。
免责声明
本项目仅用于个人研究与系统实验，不代表任何机构的投资观点，不构成任何投资建议。
AgomTradePro 和大多数“量化工具 / AI 投研 demo / 股票分析面板”的差异，不在于多几个图表，而在于它从一开始就是按“构建自己的 AI 研究底座”来设计的。
- AI-native，不是后贴 AI：原生 MCP、Terminal CLI、Agent Runtime、Capability Catalog 都是系统内建能力
- 不是单页工具，而是一套研究与决策底座：宏观、政策、信号、审批、执行、审计在一个闭环里
- 适合继续长自己的能力：你可以把它 Fork 成自己的宏观研究台、Agent 投研平台、策略实验底座
- 作者工作流本身就是 AI-assisted：这个项目的大量构建与迭代，直接使用了 Claude Code / Codex 这样的 agentic coding workflow 去推进
如果你关心的不是“再看一个 dashboard”，而是“怎么搭一个属于自己的 AI 研究基础设施”，这个项目会更对路。
这个项目已经可以运行、可以演示、可以继续扩展，但仍处于积极开发中。
当前仓库的前端呈现和部分操作逻辑仍在持续修改。
现阶段更准确的理解方式是：它正在逐步形成一个给 AI 使用的数据基础和决策框架，而不是已经完全冻结的成品 SaaS；公开仓库后续也会继续更新界面、交互流、监控能力和相关文档。
- 核心宏观准入链路已可用：Regime / Policy / Signal / 审批 / 执行 / 审计
- AI 原生能力已成型：原生 MCP、Terminal CLI、Agent Runtime、Capability Catalog
- 仍在持续完善：定时任务监控、更多 public demo 场景、README/文档国际化与部署体验
如果你想交流这个项目的思路或后续演进，可以通过微信联系：Uncleliou
后续会在小红书持续更新这个项目的开发日记，欢迎关注：
小红书号：agomliou
小红书日更开发日记
最近金融市场波动很大。很多时候，真正让人难受的不是单次涨跌，而是你明明在持续看信息、持续思考，却还是越来越困惑。
这个项目最早不是从“我要做个平台”开始的，而是从一个更直接的问题开始的：
如果我是那个被宏观、政策、情绪、噪音反复扰动的人，我能不能先给自己造一套解释系统？
大部分散户亏钱，不是因为选股差，而是因为在错误的时间出手。
- 你买了好股票 —— 但正值滞胀周期
- 你执行了好策略 —— 但政策正在收紧
- 你看到了明确信号 —— 但脚下的宏观地基正在移动
结果是什么？ 逻辑正确，世界不对。亏钱。
AgomTradePro 只相信一个原则：
"不要在错误的宏观世界里，用正确的逻辑下注。"
它是一个宏观守门员 —— 在你每一笔投资决策执行之前，先用 Regime（增长 × 通胀象限）和 Policy（政策档位）过滤一遍。它不预测价格，它阻止错误。
如果你在找的不是一个“又一个股票分析页面”，而是一套能继续长出策略、Agent、执行工作流的底座，这个项目值得你点开、Fork，甚至长期跟。
- 它不是 demo 站，而是一套可运行的投资系统骨架：登录、配置、分析、决策、审批、执行、审计已经串起来了
- 它不是 AI wrapper，而是 AI-native：原生 MCP、Terminal CLI、Agent Runtime、Capability Catalog 都在系统内部，不靠外面硬接
- 它不是单点脚本，而是可扩展架构：34 个业务模块、DDD 四层、明确边界，适合继续长功能
- 它不是“只能作者自己维护”的代码：模块拆分清楚，文档量够大，适合二开、Fork、做私有策略内核
- 它有明显的产品感：Setup Wizard、Dashboard、CLI、MCP 管理台都已经能展示“这是个系统”，而不是一堆脚本拼盘
如果这些方向和你一致，这个仓库最适合的使用方式通常是：
- 先
Star，持续关注功能演进 - 再
Fork，把它改造成你自己的宏观/策略/Agent 基础设施 - 最后按你的交易逻辑或研究框架，把模块继续长出来
PMI 发布了、CPI 出来了、M2 又变了、政策又吹风了…… 你淹没在噪音里。AgomTradePro 从多个数据源采集宏观数据，标准化处理，用 Kalman/HP 滤波提取趋势，最终浓缩成一个清晰的答案：我们现在处于哪个 Regime？
| Regime | 增长 | 通胀 | 应对策略 |
|---|---|---|---|
| 复苏 Recovery | ↑ | ↓ | 进攻，加仓权益 |
| 过热 Overheat | ↑ | ↑ | 精选，注意通胀风险 |
| 滞胀 Stagflation | ↓ | ↑ | 防御，减仓观望 |
| 通缩 Deflation | ↓ | ↓ | 等待，保留现金 |
不用猜了。不用听各路大V互相矛盾。一个宏观状态，用真实数据计算。
每一笔交易在执行前都必须过关：
你的想法 → Regime 闸门 → Policy 闸门 → 信号验证 → 审批 → 执行
↓ ↓ ↓
"宏观环境 "政策面 "这个信号有
支持吗？" 配合吗？" 证伪条件吗？"
- 没有证伪逻辑的信号不能创建 —— 你必须在入场前定义"什么情况下我是错的"
- 敌对 Regime 下不能交易 —— 系统会物理阻止你
- 决策频率约束 —— 防止过度交易和 FOMO
- 完整审计链 —— 每一个决策都有记录，事后可复盘
这不是建议，这是纪律的执行基础设施。
不是后期加个 API 就叫 AI。AgomTradePro 从底层为 AI Agent 时代而设计：
- Python SDK — 32 个模块的完整编程接口
- MCP Server（65+ 工具） — 直接接入 Claude、Cursor 或任何支持 MCP 的 AI
- Terminal CLI — 终端风格的 AI 交互界面
- Agent Runtime — 任务编排，支持 提案 → 审批 → 执行 全生命周期
你的 AI Agent 可以检查宏观环境、评估信号、提出交易建议 —— 但执行仍需要人类审批。AI 的速度，人类的判断。
登录后的系统主界面（Dashboard）
登录后第一眼就是投资指挥中心：账户、宏观状态、决策平面、AI 选股与工作流都聚合在同一屏。
系统初始化向导（Setup Wizard）
第一次启动即可完成管理员、AI Provider、数据源配置，适合 public 仓库访客快速理解系统入口。
Terminal CLI（原生 AI 交互界面）
不是“附带一个聊天框”，而是面向操作流设计的 CLI：命令、上下文、会话、能力路由都在一个终端界面里。
原生 MCP Tools 管理页
系统内建 MCP 工具目录、Schema 检视、Terminal/Routing 开关，不是后贴一层 API wrapper。
| 模块 | 做什么 |
|---|---|
| Regime 引擎 | 从增长/通胀指标计算当前宏观象限，Z-score 标准化 |
| Policy 闸门 | 追踪财政/货币政策事件，评估对风险偏好的影响 |
| 信号管理器 | 创建、验证、追踪投资信号，强制要求证伪逻辑 |
| 决策工作流 | 预检 → 审批 → 执行流水线，带频率约束 |
| 回测引擎 | 历史验证，支持 Brinson 归因分析 |
| 审计系统 | 事后复盘，完整决策链路追踪和绩效归因 |
| 模块 | 做什么 |
|---|---|
| 模拟交易 | 模拟盘交易，保证金追踪，每日巡检 |
| 实时监控 | 价格预警、涨跌排行、市场监控 |
| 策略系统 | 数据库驱动的仓位规则，按组合绑定策略 |
| 板块轮动 | 基于 Regime 的板块配置建议 |
| 模块 | 做什么 |
|---|---|
| Alpha 评分 | AI 选股评分，4 层降级（Qlib → 缓存 → 简单 → ETF） |
| 因子管理 | 因子计算、IC/ICIR 评估 |
| 对冲策略 | 期货对冲计算和组合保护 |
| 舆情闸门 | 新闻/舆情分析作为额外风险过滤 |
| 数据源 | 覆盖范围 |
|---|---|
| Tushare Pro | A 股行情、SHIBOR、指数数据 |
| AKShare | 宏观指标（PMI、CPI、M2、GDP 等） |
| 自动容灾 | 主备切换，1% 容差验证 |
AgomTradePro 不是把几个页面和几个 API 拼在一起，而是按“投资操作系统”的思路来设计：
数据源 → 宏观判定 → 政策过滤 → 信号生成 → 决策约束 → 审批执行 → 审计复盘
↓ ↓ ↓ ↓
Regime Policy Signal Workflow / Audit
这意味着你 Fork 之后，不必推翻重写，只需要沿着现有边界继续加能力。
- 宏观层：
macro、regime、policy负责回答“现在是什么环境” - 决策层：
signal、beta_gate、alpha_trigger、decision_rhythm负责回答“现在该不该做” - 执行层：
strategy、simulated_trading、realtime负责回答“怎么执行、怎么跟踪” - 分析层：
backtest、audit、factor、rotation、hedge负责回答“为什么有效、哪里错了” - AI 层：
terminal、agent_runtime、ai_capability、prompt、ai_provider负责回答“怎么让 Agent 真正接进来”
核心业务严格按照四层拆分，不把金融规则塞进视图、模型或脚本里：
┌─────────────────────────────────────────────────────────┐
│ Interface 层 │ REST API、Admin UI、序列化 │
├─────────────────────┼───────────────────────────────────┤
│ Application 层 │ 用例编排、Celery 任务、DTO │
├─────────────────────┼───────────────────────────────────┤
│ Infrastructure 层 │ Django ORM、API 适配器、仓储 │
├─────────────────────┼───────────────────────────────────┤
│ Domain 层 │ 实体、规则、服务 │
│ （纯 Python） │ 禁止 Django、Pandas、NumPy │
└─────────────────────────────────────────────────────────┘
为什么这对 Fork 很重要：
- 你可以只替换数据源，不动领域规则
- 你可以只换前端/UI，不动策略内核
- 你可以只接入自己的 Agent，不动审批与审计链
- 你可以把某个模块单独拿出去复用，而不是连根拔整个项目
- MCP Server 直接暴露系统能力给 Claude、Cursor、Codex 这一类 Agent
- Terminal CLI 提供面向操作的 AI 交互界面，而不是单纯聊天窗
- Capability Catalog 统一管理路由、工具、Schema、开关
- Agent Runtime 把“提案 → 预检 → 审批 → 执行”这条链真正系统化
这部分是整个仓库最适合 public 展示、也最容易让人想 Fork 的地方，因为它天然适合二次开发。
- 核心结构已稳定：足够支撑继续加模块
- 产品表面已成型：足够让别人一眼看懂这不是 toy project
- 细节仍在迭代：所以现在正是适合关注、参与、Fork 的阶段
from agomtradepro import AgomTradeProClient
client = AgomTradeProClient(
base_url="http://localhost:8000",
api_token="your_token"
)
# 现在是什么宏观 Regime？
regime = client.regime.get_current()
print(f"当前 Regime: {regime.dominant_regime}") # 比如 "Recovery"
# 这个标的现在能交易吗？
check = client.signal.check_eligibility(
asset_code="000001.SH",
logic_desc="PMI 连续回升，经济复苏"
)
# 创建信号（必须包含证伪条件）
if check["is_eligible"]:
signal = client.signal.create(
asset_code="000001.SH",
logic_desc="PMI 连续回升，经济复苏",
invalidation_logic="PMI 跌破 50 且连续 2 月低于前值",
invalidation_threshold=49.5
)把 AgomTradePro 接入 Claude Code、Cursor 或任何支持 MCP 的 AI：
{
"mcpServers": {
"agomtradepro": {
"command": "python",
"args": ["-m", "agomtradepro_mcp.server"],
"env": {
"AGOMTRADEPRO_BASE_URL": "http://localhost:8000",
"AGOMTRADEPRO_API_TOKEN": "your_token"
}
}
}
}然后直接跟 AI 对话：
你： "现在宏观环境怎么样？我能加仓权益吗？"
Claude: [调用 get_current_regime] → 滞胀（增长 ↓，通胀 ↑）
[调用 get_policy_status] → 货币政策偏紧
"当前处于滞胀 Regime，货币政策偏紧。这是防御性环境，
加仓权益与 Regime 信号相悖。建议等待 Regime 转换，
或者考虑对冲仓位。"
65+ MCP 工具不是只覆盖几个查询接口，而是横跨宏观、政策、信号、回测、账户、组合、交易、AI 能力目录、终端命令、运行时编排、系统配置等多个系统面向。
AI Agent 提出交易建议
↓
系统自动预检（Regime 闸门 → Policy 闸门 → 频率检查）
↓
生成提案，包含完整上下文
↓
人类审核，批准或驳回
↓
受保护的执行，全程审计
AI 负责分析速度。人类负责执行判断。全链路可追溯。
- Python 3.11+
- Redis（Celery 任务队列需要）
# 克隆
git clone https://github.com/guiyinan/agomTradePro.git
cd agomTradePro
# 复制环境变量模板
copy .env.example .env # Windows
# cp .env.example .env # Linux/Mac
# 创建虚拟环境
python -m venv agomtradepro
source agomtradepro/bin/activate # Linux/Mac
# 或: agomtradepro\Scripts\activate # Windows
# 安装依赖
pip install -r requirements.txt
# 数据库初始化
python manage.py migrate
# 启动开发服务器
python manage.py runserver
# 访问 http://localhost:8000/setup/ 完成安装向导安装向导会引导你完成：
- 创建管理员账户
- 配置 AI 服务商（可选）
- 配置数据源（可选）
开发环境虽然有默认值，但你最好在 .env 里显式设置自己的 SECRET_KEY：
SECRET_KEY=your-own-django-secret-key生产环境必须设置，且不能使用默认占位值。
这个非常容易忽略。
如果不设置，系统仍然能启动，但新的 AI Provider API Key 将无法写入。
生成方式：
python -c "from cryptography.fernet import Fernet; print(Fernet.generate_key().decode())"然后写入 .env：
AGOMTRADEPRO_ENCRYPTION_KEY=your-generated-fernet-key.env.example 里默认给的是 PostgreSQL 示例连接。
如果你只是本地快速体验，可以直接留空或删掉 DATABASE_URL，项目会默认使用根目录下的 SQLite。
Redis 不是本地首次体验的强制依赖。
- 本地没有配置
REDIS_URL时，Celery 会退化为同步执行模式 - 如果你要体验完整异步任务、worker、beat，再去配置 Redis
如果你只是想先把系统启动并打开页面，最少建议确认这几项：
SECRET_KEY=your-own-django-secret-key
AGOMTRADEPRO_ENCRYPTION_KEY=your-generated-fernet-key
DEBUG=True
ALLOWED_HOSTS=localhost,127.0.0.1cd sdk
pip install -e ".[dev]"pytest tests/ -v --cov=apps| 层级 | 技术选型 |
|---|---|
| 后端 | Python 3.11+、Django 5.x、DRF |
| 数据库 | SQLite（开发）/ PostgreSQL（生产） |
| 任务队列 | Celery + Redis |
| 数据处理 | Pandas、NumPy、Statsmodels |
| 可视化 | Streamlit、Plotly |
| 前端 | Django Templates + HTMX |
| AI 集成 | MCP Server、Python SDK |
| 测试 | Pytest（1,600+ 用例）、Playwright（E2E） |
34 业务模块（每个都有完整 DDD 四层实现）
65+ MCP 工具（供 AI Agent 调用）
100+ REST API 端点
1,600+ 自动化测试用例
230+ 文档文件
| 文档 | 说明 |
|---|---|
| 上手手册 | 从零到跑模拟盘的操作指南 |
| 系统规格书 | 完整技术 + 功能规格 |
| SDK 参考 | Python SDK 和 MCP Server 指南 |
| 架构设计 | DDD 设计、模块依赖关系 |
| 文档索引 | 全部文档导航 |
- 个人投资者 —— 想用系统化纪律替代情绪化操作
- 量化开发者 —— 需要一个生产级的宏观叠加层来增强策略
- AI/LLM 爱好者 —— 想构建有护栏的投资 Agent，而不是裸奔的 GPT wrapper
- 金融学生 —— 用真实代码学习宏观驱动的投资框架
欢迎贡献！提交 PR 前请阅读开发规范。
# 格式化
black . && isort . && ruff check .
# 类型检查
mypy apps/ --strict
# 测试（Domain 层覆盖率 ≥ 90%）
pytest tests/ -v --cov=appsApache License 2.0 —— 详见 LICENSE。
如果这个项目帮你少亏了一次钱，请给个 Star 吧
源于太多次"逻辑没错、时机全错"的惨痛教训。