# 多 Agent 协作做信用账户监控：本地数据 + LLM 打通两融预警全链路

信用账户（融资融券）监控是量化研究里最难自动化的一块，因为数据维度多、状态复杂、误报率高。我用本地股票数据 + 多 Agent 协作搭了一套完整的信用账户预警系统，单机就能跑通全市场 5000 只股票。这篇把 Agent 架构和工程链路完整分享。

**整体架构**

整个系统由 4 个 Agent 协作完成：

1. **数据 Agent**：负责从本地数据引擎拉信用账户相关字段
2. **特征 Agent**：计算 12 个核心信用账户特征
3. **风险评估 Agent**：用规则引擎 + LLM 综合评估风险等级
4. **告警 Agent**：根据评估结果推送告警

每个 Agent 都是独立的 Python 进程，通过 Redis 做消息队列。

**为什么用多 Agent 而不是单体**

我一开始做的是单体脚本（一个 Python 文件跑完所有功能）。跑了 3 天就遇到问题：

第一个问题是某个股票的数据缺失会导致整个脚本崩溃。单体脚本容错差。
第二个问题是不同股票的计算逻辑不一样（比如 ST 股票的维持担保比例阈值更低），单体脚本写一堆 if-else 太乱。
第三个问题是 LLM 调用慢，单体脚本串行调用 5000 只股票要 5 小时。

改成多 Agent 之后：
- 每个 Agent 独立容错，单只股票失败不影响全局
- 特征计算可以按股票类型分流
- LLM 调用改成异步并发

**Agent 1 - 数据 Agent**

数据 Agent 的职责是从本地数据引擎拉 4 类数据：

- 融资融券余额：`time/zijin/zjlrqs/last10/{code}`
- 主力资金流向：`time/zijin/zlzjzs/{code}`
- 五档盘口：`time/real/trace/level5/{code}`
- L2 指标：`time/real/trace/l2sign/{code}`

实现细节：数据 Agent 每 5 分钟拉一次全市场数据，单机本地读盘 3 秒完成。5000 只股票的数据用 Parquet 落盘，按 dm（股票代码）分区。

数据 Agent 的输出格式（每只股票）：

```json
{
  "dm": "000001",
  "mc": "平安银行",
  "rz_balance": 1234567890.0,
  "rq_balance": 567890123.0,
  "zlJlr_5d": 87654321.0,
  "ddx": 1.23,
  "ddz": 0.45,
  "rz_chg_5d": 0.087,
  "timestamp": "2024-08-24 15:30:00"
}
```

**Agent 2 - 特征 Agent**

特征 Agent 收到数据 Agent 的消息后，计算 12 个核心特征：

1. 融资余额 5 日变化率
2. 融券余额 5 日变化率
3. 融资净买入占比（融资买入额 / 总成交额）
4. 融资余额 / 自由流通市值
5. 5 分钟主力净额 / 成交额
6. 主力净流入加速度（5 日变化率的二阶导）
7. L2 大单动向 ddx
8. L2 买卖气差 ddz
9. 散户净比 5 日变化
10. 融资余额历史分位数（过去 250 日的百分位）
11. 个股相对沪深 300 的资金弹性
12. 龙虎榜上榜后融资余额变化（如果有）

特征 Agent 是一个纯计算型 Agent，不依赖任何外部服务。每个特征的计算都在 1ms 以内完成，5000 只股票的特征计算单机 5 秒搞定。

特征 Agent 的输出是 12 维向量 + 一些元数据（股票代码、名称、行业）。

**Agent 3 - 风险评估 Agent**

风险评估 Agent 是最复杂的一个，它结合规则引擎和 LLM 做综合评估。

**第一阶段：规则引擎粗筛**

规则引擎先用 5 条硬规则过滤掉 95% 的"无风险"股票：

规则 1：融资余额 / 自由流通市值 > 15%
规则 2：融资余额 5 日变化率 > 30%
规则 3：融券余额 5 日变化率 > 50% 且股价在历史高位
规则 4：融资余额 + 主力净流入 + 散户净流入 三者同向异常
规则 5：维持担保比例估算值 < 150%（基于公式估算）

5000 只股票经过规则粗筛，剩 200-300 只进入 LLM 精筛。

**第二阶段：LLM 精筛**

LLM 收到特征向量 + 一些上下文信息（公司基本信息、近 30 日公告标题、近期研报摘要），输出风险等级和原因。

LLM Prompt 结构：

```
你是一名专业的信用账户风险分析师。基于以下股票的特征向量和市场上下文，评估其融资融券风险等级。

【股票信息】
- 代码：{dm}
- 名称：{mc}
- 行业：{industry}

【12 维特征向量】
{feature_vector_json}

【近期公告】（最多 3 条）
{recent_announcements}

请输出：
1. 风险等级（low / medium / high / extreme）
2. 风险原因（最多 100 字）
3. 关注重点（最多 50 字）

要求：
- 客观陈述，不预测涨跌
- 必须引用具体特征值
- 不确定时标注 "信号不明确"
```

LLM 输出示例：

```json
{
  "risk_level": "high",
  "reason": "融资余额 5 日变化 32%，超过 30% 阈值；融资余额/自由流通市值 16.7%；近期无重大公告，纯粹资金面驱动。",
  "focus": "持续监控融资余额变化率"
}
```

**Agent 4 - 告警 Agent**

告警 Agent 收到风险评估结果后，按规则分发：

- low：不发告警
- medium：发邮件（每天汇总）
- high：发企业微信（即时推送）
- extreme：发企业微信 + 短信（即时推送）

告警 Agent 还有一个去重逻辑：同一只股票 24 小时内最多发 3 次告警，避免噪声。

**实际运行效果**

这套系统我从 2024 年 1 月开始跑，到现在已经稳定运行 8 个月。

每天下午 16:30 自动跑一次，3 分钟跑完全市场。8 个月共触发：

- medium 告警：约 5000 次
- high 告警：约 1800 次
- extreme 告警：约 400 次

数据回放显示：
- high 级别告警的股票，未来 5 日平均涨跌幅 -2.8%
- extreme 级别告警的股票，未来 5 日平均涨跌幅 -6.4%

LLM 评估的准确率（事后人工校验）：约 78%。

**踩过的 3 个坑**

第一个坑是 LLM 调用成本。一开始我让 LLM 处理 5000 只股票，月成本 $5000。后来改成规则粗筛 + LLM 精筛，月成本降到 $80。

第二个坑是消息队列的可靠性。我一开始用 Redis 做消息队列，但 Redis 重启会丢消息。改成 RabbitMQ 持久化队列之后稳定了。

第三个坑是 LLM 的响应延迟。GPT-4 在高峰期响应延迟 5-10 秒，影响实时性。我后来在 Prompt 里加了一个约束："如果特征计算无异常，直接输出 low"，减少了 LLM 的"思考"时间。

**架构图（文字版）**

```
[本地数据引擎]
   ↓ (每 5 分钟)
[数据 Agent] → Redis Queue
   ↓
[特征 Agent] → Redis Queue
   ↓
[风险评估 Agent]
   ↓ (规则引擎粗筛 → 200-300 只)
   ↓ (LLM 精筛 → 50-80 只)
   ↓
[告警 Agent]
   ↓
[邮件 / 企业微信 / 短信]
```

**未来优化方向**

下一步我想做的是把 LLM 换成本地微调的小模型。现在用的 GPT-4 准确率 78%，但响应延迟高。如果能微调一个 7B 的本地模型专门做信用账户评估，理论上可以把延迟从 5 秒降到 500ms，成本降低 80%。

这个方向上的关键挑战是数据标注——需要积累大量"已发生风险事件"的数据集来训练模型。短期看 GPT-4 还是最实用的方案。

**总结**

多 Agent 架构在金融数据处理里有两个核心价值：

第一个是**容错性**。单体脚本一个失败全盘崩溃，多 Agent 单点失败不影响全局。
第二个是**可扩展性**。新增一个数据源只需要加一个数据 Agent，不用改其他模块。

但多 Agent 也有缺点：**复杂度高**。如果你的数据规模不大（< 1000 只股票），单体脚本 + 规则引擎就够了。多 Agent 适合我这种全市场级别的场景。

**Agent 协作这件事，本质是把"复杂业务"拆成"独立单元"。** 每个 Agent 只关心自己的输入输出，不需要知道其他 Agent 的实现细节。这种松耦合设计让整个系统可维护性大大提升。


信用账户（融资融券）监控是量化研究里最难自动化的一块，因为数据维度多、状态复杂、误报率高。我用本地股票数据 + 多 Agent 协作搭了一套完整的信用账户预警系统，单机就能跑通全市场 5000 只股票。这篇把 Agent 架构和工程链路完整分享。

多 Agent 协作做信用账户监控：本地数据 + LLM 打通两融预警全链路 IG50免费开源股票数据API接口

人工智能

后端

大数据

基于本地数据与多Agent协作，该系统实现全市场信用账户融资融券风险监控。通过数据、特征、风险评估与告警四Agent协同，结合规则粗筛与LLM精筛，高效处理5000只股票，预警准确率约78%，有效识别高风险标的。

消息队列

数据标注

数据处理

代码解释

短信

Python

Redis

Agent

JSON

文章

问答

视频

教程

学习中心

腾讯云实验室

直播

竞赛

腾讯云代码分析专区

腾讯iOA零信任安全管理系统专区

腾讯云架构师技术同盟交流圈

腾讯云数据库专区

腾讯云智能顾问专区

腾讯云原生专区

腾讯混元专区

腾讯云TCE专区

腾讯云Lighthouse专区

腾讯云HAI专区

腾讯云Edgeone专区

腾讯云存储专区

腾讯云智能专区

腾讯轻联专区 

腾讯云开发专区

TAPD专区

腾讯轻量云游戏服专区

EdgeOne AI 安全实战专区

腾讯云最具价值专家

腾讯云架构师技术同盟

腾讯云创作之星

腾讯云开发者先锋

腾讯云代码助手

云原生构建

TAPD 敏捷项目管理

Cloud Studio

SDK中心

API中心

命令行工具

涵盖代码开发、场景应用、自动测试全流程，助你从零构建专属AI助手

一站式MCP教程库，解锁AI应用新玩法

聚焦“写作效率、视觉美观与运行性能”三方面进行全面升级，为您提供更高效、稳定的创作环境

社区富文本&Markdown编辑器全新改版上线，欢迎大家体验!

诚挚邀请您参与本次调研，分享您的真实使用感受与建议。您的反馈至关重要，感谢您的支持与参与！

社区新版编辑器体验调研

多 Agent 协作做信用账户监控：本地数据 + LLM 打通两融预警全链路 IG50免费开源股票数据API接口-腾讯云开发者社区-腾讯云

多 Agent 协作做信用账户监控：本地数据 + LLM 打通两融预警全链路 IG50免费开源股票数据API接口

多 Agent 协作做信用账户监控：本地数据 + LLM 打通两融预警全链路 IG50免费开源股票数据API接口

社区

活动

圈层

关于

腾讯云开发者

热门产品

热门推荐

更多推荐