58f9380ec4
- alphaear-deepear-lite: DeepEar Lite API integration - alphaear-logic-visualizer: Draw.io XML finance diagrams - alphaear-news: Real-time finance news (10+ sources) - alphaear-predictor: Kronos time-series forecasting - alphaear-reporter: Professional financial reports - alphaear-search: Web search + local RAG - alphaear-sentiment: FinBERT/LLM sentiment analysis - alphaear-signal-tracker: Signal evolution tracking - alphaear-stock: A-Share/HK/US stock data Updates: - All scripts updated to use universal .env path - Added JINA_API_KEY, LLM_*, DEEPSEEK_API_KEY to .env.example - Updated load_dotenv() to use ~/.config/opencode/.env
50 lines
1.9 KiB
Python
50 lines
1.9 KiB
Python
from typing import List, Dict, Any
|
||
from ..schema.models import KLinePoint
|
||
|
||
def get_forecast_adjustment_instructions(ticker: str, news_context: str, model_forecast: List[KLinePoint]):
|
||
"""
|
||
生成 LLM 预测调整指令
|
||
"""
|
||
forecast_str = "\n".join([f"- {p.date}: O:{p.open}, C:{p.close}" for p in model_forecast])
|
||
|
||
return f"""你是一位资深的量化策略分析师。
|
||
你的任务是：根据给定的【Kronos 模型预测结果】和【最新的基本面/新闻背景】，对模型预测进行“主观/逻辑调整”。
|
||
|
||
股票代码: {ticker}
|
||
|
||
【Kronos 模型原始预测 (OHLC)】:
|
||
{forecast_str}
|
||
|
||
【最新情报背景】:
|
||
{news_context}
|
||
|
||
调整原则:
|
||
1. 原始预测是基于历史的技术面推演。
|
||
2. 情报背景中可能包含【Kronos模型定量修正预测】，这是基于历史新闻训练的专用模型计算出的量化结果。
|
||
3. 如果存在“定量修正预测”，请**高度参考**该数值作为基础，除非你有非常确凿的逻辑认为该量化模型失效（例如遇到模型未见过的极端黑天鹅）。
|
||
4. 你的核心任务是：结合定性分析（新闻及其逻辑）来验证或微调这些数字，并给出合理的解释（Rationale）。
|
||
5. 如果没有“定量修正预测”，则你需要根据新闻信号手动大幅调整趋势。
|
||
|
||
输出要求 (严格 JSON 格式):
|
||
```json
|
||
{{
|
||
"adjusted_forecast": [
|
||
{{
|
||
"date": "YYYY-MM-DD",
|
||
"open": float,
|
||
"high": float,
|
||
"low": float,
|
||
"close": float,
|
||
"volume": float
|
||
}},
|
||
...
|
||
],
|
||
"rationale": "详细说明调整的逻辑依据，例如：考虑到[事件A]，预期短线将突破压力位..."
|
||
}}
|
||
```
|
||
注意：必须输出与原始预测相同数量的数据点，且日期一一对应。
|
||
"""
|
||
|
||
def get_forecast_task():
|
||
return "请根据以上背景和模型预测，给出调整后的 K 线数据并说明理由。"
|