使用说明
期权分析代理——决策支持原型
项目目的
本项目探讨了如何 AI 代理 可以用作 决策支持层 对于期权分析，基于结构化市场数据和确定性分析。
目标是 不 自动交易或生成信号，但要：
- 一起解释多个分析维度
- 清楚地解释选项环境
- 突出风险和不确定性
- 支持人类决策
这个项目是什么（不是什么）
该项目是：
- 分析助理
- 推理和解释层
- 一个安全的离线学习代理AI原型
- MCP+工具+代理架构演示
该项目不是：
- 交易机器人
- 信号发生器
- 预测引擎
- 执行系统
高级体系结构
Curated Market Data (CSV)
↓
Deterministic Evaluation Tools
↓
MCP Server (Tool Boundary)
↓
Agent (LLM-based Reasoning)
↓
Human-readable Explanation
关键原则： 逻辑是确定性的，推理是概率性的。
业务逻辑分解
系统使用四个独立的维度评估选项环境：
-
趋势背景
- 方向（看涨/看跌/横盘）
- 置信水平
-
波动性背景
- 波动机制
- 相对期权定价（便宜/公平/昂贵）
-
风险边界
- 附近存在支持和抵抗
- 明确下行和上行风险
-
事件风险
- 接近收益或重大事件
- 近期不确定性
每个维度都是独立评估的，然后由试剂合成。
数据处理方法
- 市场数据被视为 已摄入分析
- 从发现平台手动管理数据（通过允许的导出）
- 单行CSV快照用于表示公司的当前状态
- 该系统有意与实时数据摄入解耦
这反映了真实的企业工作流程，其中摄取和推理是分开的。
代理人的作用
代理人：
- 不计算指标
- 不直接访问原始数据
- 不提供交易建议
代理人：
- 读取结构化工具输出
- 综合多个风险维度
- 用通俗易懂的语言解释权衡和不确定性
- 保持谨慎、分析的语气
代理的行为就像 初级分析师解释推理不是交易员。
技术组件（摘要）
- 语言： python
- 代理框架： Strands代理商
- 工具协议： 模型上下文协议（MCP）
- 法学硕士（本地）： Ollama与LLaMA 3.2
- 数据格式： CSV（精选快照）
- 执行： 完全本地，离线
当前状态
- 核心架构已实施并正常工作
- 通过MCP实现和公开的确定性工具
- 代理已成功集成并响应
- 观察到的局限性是 模型相关，不是建筑
该项目目前暂停在一个稳定的检查点，以便在进一步完善之前专注于业务理解。
已知限制
- 较小的开源LLM具有较弱的自主工具编排能力
- 代理可能过度关注单个分析维度
- 回答中偶尔重复
- 战略泄漏需要更严格的控制或强制编排
这些是预期的局限性，可以通过以下方式解决：
- 更强的模型，或
- 显式工具编排逻辑
为什么这个项目很重要
该原型展示了：
- 代理人工智能在金融邻近领域的安全使用
- 逻辑和推理的明确分离
- 可解释和可审计的系统设计
- 未来产品的可重用架构模板
该基金会旨在通过更好的模型和更丰富的数据进行扩展。
下一步（恢复时）
- 改进工具编排策略
- 优化代理提示和输出结构
- 提高讲解质量
- 探索与更丰富的内部数据集的集成
- 准备面向经理或客户的演示
免责声明
这个项目是为了 仅限于学习和实验. 它不提供财务建议，也不应用于实时交易或投资决策。
