Skip to content

design.md

Latest commit

 

History

History
218 lines (173 loc) · 5.9 KB

design.md

File metadata and controls

218 lines (173 loc) · 5.9 KB

LLM Agent Trader 系統架構設計

系統概述

LLM Agent Trader 是一個基於人工智慧的股票交易回測系統，整合了大語言模型(LLM)進行智能交易決策分析。

高層次系統流程圖

flowchart TD
    %% 用戶界面層
    A[用戶界面 - Next.js Frontend] --> B[API Gateway - FastAPI Backend]
    
    %% 主要功能模組
    B --> C[LLM 流式回測引擎]
    B --> D[回測分析 API]
    B --> E[每日反饋 API]
    
    %% 數據層
    F[股票數據服務<br/>YFinance] --> C
    G[SQLite 數據庫<br/>回測日誌] --> D
    G --> E
    
    %% LLM 策略引擎
    C --> H[LLM 智能策略]
    H --> I[Azure OpenAI<br/>GPT-4]
    H --> J[技術分析引擎]
    H --> K[風險管理模組]
    
    %% 回測執行流程
    C --> L[交易信號生成]
    L --> M[績效計算]
    M --> N[結果記錄]
    N --> G
    
    %% 樣式定義
    classDef frontend fill:#e1f5fe
    classDef backend fill:#f3e5f5
    classDef llm fill:#fff3e0
    classDef data fill:#e8f5e8
    classDef tools fill:#fce4ec
    
    class A frontend
    class B,C,D,E backend
    class H,I,J,K llm
    class F,G data
Loading

核心概念說明

LLM 流式回測引擎 vs 回測引擎

  • LLM 流式回測引擎: 是整個回測系統的協調層，負責：

    • 接收前端請求並初始化回測流程
    • 使用 Server-Sent Events 提供即時進度更新
    • 協調數據獲取、策略執行、結果處理等各個環節
    • 管理回測會話和狀態

  • 回測引擎: 是核心計算引擎，專注於：

    • 執行具體的回測邏輯和交易模擬
    • 處理 LLM 策略產生的交易信號
    • 計算績效指標和風險指標
    • 維護持倉狀態和資金管理

簡單來說，流式回測引擎是整個系統的"指揮官"，而回測引擎是執行具體計算的"執行者"。

詳細系統架構

1. 前端層 (Frontend)

flowchart LR
    A[Next.js 應用] --> B[React 組件]
    B --> C[圖表組件<br/>Recharts/LightweightCharts]
    B --> D[分析面板]
    B --> E[LLM 對話界面]
    
    F[狀態管理<br/>React Query] --> B
    G[UI 組件庫<br/>Radix UI] --> B
Loading

2. 後端 API 層

flowchart TD
    A[FastAPI 主應用] --> B[API 路由 v1]
    
    B --> C[LLM 流式回測<br/>/llm-stream]
    B --> D[回測分析<br/>/backtest]
    B --> E[每日反饋<br/>/daily]
    
    C --> F[Server-Sent Events<br/>即時進度更新]
    D --> G[歷史數據查詢<br/>回顧分析]
    E --> H[決策改善建議<br/>策略優化]
Loading

3. LLM 策略引擎

flowchart TD
    A[LLM 智能策略] --> B[市場數據分析]
    A --> C[技術指標計算]
    A --> D[趨勢識別]
    
    B --> E[Azure OpenAI API]
    C --> F[移動平均線<br/>MACD, RSI, 布林帶]
    D --> G[短期/中期/長期趨勢]
    
    E --> H[決策推理生成]
    F --> I[技術事件觸發]
    G --> J[市場狀態評估]
    
    H --> K[交易決策輸出]
    I --> K
    J --> K
    
    K --> L[BUY/SELL/HOLD]
    K --> M[信心度評分]
    K --> N[風險評估]
Loading

4. 數據流程

flowchart LR
    A[Yahoo Finance API] --> B[股票數據獲取]
    B --> C[數據預處理<br/>OHLCV格式]
    C --> D[技術指標計算]
    D --> E[LLM 分析處理]
    E --> F[決策記錄]
    F --> G[SQLite 數據庫]
    
    G --> H[回測分析查詢]
    G --> I[績效統計]
    G --> J[歷史回顧]
Loading

5. 回測執行流程

flowchart TD
    A[開始回測] --> B[載入股票數據]
    B --> C[初始化策略參數]
    C --> D[逐日數據處理]
    
    D --> E[技術分析計算]
    E --> F[LLM 決策推理]
    F --> G[交易信號生成]
    
    G --> H{是否有交易信號?}
    H -->|是| I[執行交易]
    H -->|否| J[保持現狀]
    
    I --> K[更新持倉狀態]
    J --> K
    K --> L[記錄日誌]
    L --> M[計算績效指標]
    
    M --> N{還有數據?}
    N -->|是| D
    N -->|否| O[生成最終報告]
    
    O --> P[返回結果]
Loading

核心功能模組

1. LLM 決策引擎

  • 輸入: 市場數據、技術指標、歷史趨勢
  • 處理: Azure OpenAI GPT-4 推理分析
  • 輸出: 交易決策、信心度、推理過程

2. 技術分析模組

  • 移動平均線: SMA, EMA 交叉策略
  • 動量指標: RSI, MACD 信號
  • 波動性指標: 布林帶突破
  • 趨勢識別: 多時間框架分析

3. 風險管理

  • 停損機制: 固定比例停損
  • 停利設定: 目標利潤鎖定
  • 倉位控制: 最大持倉比例限制
  • 資金管理: 動態資金分配

4. 數據持久化

  • SQLite 數據庫: 輕量級本地存儲
  • 日誌記錄: 每日交易決策和分析
  • 績效追蹤: 累積收益和風險指標
  • 事件記錄: 技術事件和觸發條件

技術棧

前端技術

  • 框架: Next.js 15.4.4 (React 19)
  • 樣式: Tailwind CSS 4.0
  • 圖表: Recharts, Lightweight Charts
  • 狀態管理: TanStack React Query
  • UI 組件: Radix UI

後端技術

  • API 框架: FastAPI (Python)
  • 數據庫: SQLite
  • LLM 集成: Azure OpenAI API
  • 數據源: Yahoo Finance (yfinance)

開發和運維

  • 開發環境: Python 虛擬環境 + Node.js
  • 版本控制: Git
  • 依賴管理: uv (Python), npm (Node.js)

系統特色

  1. 即時流式回測: 使用 Server-Sent Events 提供即時進度更新
  2. 智能決策分析: 整合 GPT-4 進行深度市場分析
  3. 互動式反饋: 支持用戶對歷史決策提供反饋和改善建議
  4. 全面技術分析: 多維度技術指標和趨勢識別
  5. 歷史數據分析: 支持複雜的回測數據查詢和回顧分析

擴展性設計

  • 模組化架構: 各功能模組獨立，易於擴展
  • API 版本控制: 支持多版本 API 並存
  • 策略插件化: 支持多種交易策略並行
  • 多數據源: 可擴展支持更多金融數據提供商
  • 部署靈活性: 支持本地開發和雲端部署