Financial Strategy Code Generator

一个基于大语言模型的智能金融策略代码生成系统，能够自动分析金融论文、设计交易策略架构并生成可执行的Python代码。

🎯 项目概述

FinancialStrategy2Code 是一个端到端的AI驱动系统，专门用于将金融研究论文转化为可执行的交易策略代码。系统采用三阶段流水线架构：

1. 策略规划阶段 - 深度解析金融论文，提取核心算法和实验设计
2. 策略分析阶段 - 设计软件架构，分析代码依赖关系
3. 代码生成阶段 - 自动生成完整的、可运行的Python代码

核心特性

• 🤖 智能论文解析 - 支持JSON和LaTeX格式的金融论文输入
• 🏗️ 自动架构设计 - 基于论文内容自动设计软件架构
• 📊 完整代码生成 - 生成包含数据加载、策略实现、回测引擎的完整代码
• 🎨 Web界面 - 提供直观的Web界面进行策略生成和管理
• 📚 知识库支持 - 集成向量数据库，支持策略知识检索
• 🔧 多模型支持 - 支持多种LLM模型（DeepSeek、OpenAI等）

🚀 快速开始

环境要求

• Python 3.8+
• Go 1.19+ (用于Web服务)
• Node.js 16+ (用于前端界面)

安装步骤

1. 克隆仓库

git clone https://github.com/ZhijiangTang/FinancialStrategy2Code
cd FinancialStrategy2Code

2. 安装Python依赖

pip install -r requirements.txt

3. 配置API密钥

# 在api_key目录下创建配置文件
export OPENAI_API_KEY="your-api-key"
export BASE_URL="https://api.siliconflow.cn/v1"

4. 启动Web服务

# 编译Go服务
cd agent/server
go build -o app.exe main.go
./app.exe

# 启动前端界面
cd ../client
npm install
npm run dev

使用示例

1. 准备论文文件

   • 将PDF论文转换为JSON格式（推荐）或LaTeX格式
   • 放置在examples目录下

2. 运行策略生成

cd scripts
# 修改run.sh中的配置参数
bash run.sh

3. 查看生成结果
   • 生成的代码位于outputs/{paper_name}_repo/目录
   • 包含完整的项目结构和可执行代码

🏗️ 系统架构

核心模块

FinancialStrategy2Code/
├── codes/                    # 核心代码生成模块
│   ├── 1_planning.py        # 策略规划 - 解析论文，制定实现计划
│   ├── 1.1_extract_config.py # 配置提取 - 从规划中提取配置参数
│   ├── 2_analyzing.py       # 策略分析 - 设计软件架构和依赖关系
│   ├── 3_coding.py          # 代码生成 - 生成完整的Python代码
│   ├── utils.py             # 工具函数 - 通用功能和辅助方法
│   └── rag_handler.py       # RAG处理器 - 知识检索增强生成
├── agent/                   # Web服务模块
│   ├── server/              # Go后端服务
│   ├── client/              # Vue.js前端界面
│   └── model/               # 模型定义
├── corpus/                  # 知识库文档
├── examples/                # 示例论文和策略
├── outputs/                 # 生成结果输出
├── prompts/                 # 提示词模板
└── scripts/                 # 运行脚本

📋 详细功能说明

1. 策略规划模块 (1_planning.py)

功能: 深度解析金融论文，制定详细的实现计划

核心特性:

• 支持JSON和LaTeX格式的论文输入
• 自动提取论文中的方法论、实验设置、超参数
• 生成详细的实现路线图
• 设计软件系统架构

输出文件:

• planning_trajectories.json - 规划轨迹记录
• planning_config.yaml - 提取的配置参数
• task_list.json - 任务分解列表

2. 策略分析模块 (2_analyzing.py)

功能: 基于规划结果设计软件架构，分析代码依赖关系

核心特性:

• 生成详细的类图和接口设计
• 分析模块间的依赖关系
• 制定代码实现逻辑
• 确定第三方包依赖

输出文件:

• analyzing_artifacts/ - 分析结果文件
• *_simple_analysis_response.json - 各模块分析结果

3. 代码生成模块 (3_coding.py)

功能: 自动生成完整的、可执行的Python代码

核心特性:

• 生成符合Google代码规范的Python代码
• 自动处理导入语句和依赖关系
• 实现完整的项目结构
• 包含配置管理、错误处理、日志记录

生成的文件结构:

{paper_name}_repo/
├── main.py              # 主程序入口
├── config.py            # 配置管理
├── data_loader.py       # 数据加载器
├── strategy.py          # 策略实现
├── backtest_engine.py   # 回测引擎
├── results_analyzer.py  # 结果分析器
├── config.yaml          # 配置文件
└── requirements.txt     # 依赖包列表

4. Web服务模块 (agent/)

功能: 提供Web界面进行策略生成和管理

技术栈:

• 后端: Go + Gin框架
• 前端: Vue.js + Element Plus
• 通信: RESTful API

核心功能:

• 文件上传和管理
• 策略生成进度跟踪
• 结果预览和下载
• 历史记录管理

5. 知识库模块 (build_knowledge_base.py)

功能: 构建向量知识库，支持RAG增强生成

核心特性:

• 支持PDF、TXT、MD、HTML格式文档
• 使用FAISS进行向量索引
• 集成BGE-M3嵌入模型
• 支持批量处理和增量更新

🔬 实验与评估

实验设置

系统已在多个经典金融策略上进行了测试：

1. 海龟交易系统 (Turtle Trading)

   • 论文来源: 《Way of the Turtle》
   • 生成代码: 完整的回测系统，包含趋势跟踪、仓位管理
   • 评估指标: 夏普比率、最大回撤、胜率

2. 动量策略 (Momentum Strategy)

   • 论文来源: 学术论文
   • 生成代码: 多因子动量模型
   • 评估指标: 收益率、风险调整收益

3. Transformer模型在金融中的应用

   • 论文来源: 深度学习论文
   • 生成代码: 基于Transformer的价格预测模型
   • 评估指标: 预测准确性、模型性能

性能评估

最佳实践

1. 论文准备

   • 确保论文包含完整的方法论描述
   • 明确实验参数和评估指标
   • 提供数据格式和来源信息

2. 配置优化

   • 根据论文复杂度调整模型参数
   • 设置合适的超参数范围
   • 配置适当的计算资源

3. 结果验证

   • 检查生成代码的完整性
   • 验证策略逻辑的正确性
   • 进行回测验证和性能分析

🤝 贡献指南

欢迎贡献代码和想法！

1. Fork 项目
2. 创建功能分支 (git checkout -b feature/AmazingFeature)
3. 提交更改 (git commit -m 'Add some AmazingFeature')
4. 推送到分支 (git push origin feature/AmazingFeature)
5. 打开 Pull Request

---

注意: 本系统生成的策略代码仅供学习和研究使用，实际交易请谨慎评估风险并遵守相关法规。