AI判断A股到底准不准TradingAgents-Astock绩效统计完全指南方向正确率与沪深300 Alpha【免费下载链接】TradingAgents-astockA股多Agent投研框架 — 适配A股数据源(龙虎榜/游资/解禁等)7位分析师基于A股规则的辩论决策基于TradingAgents深度改造适配大A。A-share multi-agent investment research framework — 7 AI analysts, bull/bear debate, risk assessment。项目地址: https://gitcode.com/gh_mirrors/tr/TradingAgents-astockTradingAgents-Astock 是一个深度适配 A 股的多 Agent 投研框架7 位 AI 分析师围绕 A 股规则做新闻、技术面、龙虎榜、游资、解禁等分析经多空辩论与风控后给出 Buy 到 Sell 的五档评级。那么它对 A 股的判断到底准不准项目内置了一套「决策绩效统计」功能用真实行情自动回填历史决策输出两个硬指标方向正确率与沪深 300 Alpha——本文带你从零看懂这套统计怎么跑、怎么读、哪里不能踩坑。为什么需要「测一测」AI 的判断力 AI 给出的 Buy / Sell 评级对不对只有时间能证明。TradingAgents-Astock 用记忆日志解决这个问题全程零人工每次分析结束后TradingMemoryLog 会追加一条待结算记录格式为[日期 | 代码 | 评级 | pending]下次再分析同一只股票时系统自动拉取真实行情回填持有期内的绝对收益和对沪深 300 的 Alpha并补上反思笔记汇总模块 tradingagents/performance.py 只读已落盘的结果把散落的决策聚合成一份绩效报告。也就是说你正常用框架做分析绩效数据就自己长出来了。一条命令跑出绩效统计零 LLM 成本 在终端里执行完整用法见 README.mdtradingagents performance # 人读的报告 tradingagents performance --json # 机器读的 JSON该命令定义在 cli/main.py特点鲜明零 LLM 调用不重跑任何分析只读已结算记录成本为零整体 按评级 按标的三个维度的统计方向正确率、上涨占比、跑赢沪深 300 占比、平均/中位数收益、平均 Alpha、最好与最差表现、平均持有天数报告自带「这不是回测」与「样本不足是噪音」的免责声明不会把小样本的漂亮数字包装成结论。如何读懂「方向正确率」唯一的真准确率 ✅很多人第一眼看错的就是这里。报告里有三个率口径完全不同指标衡量什么说明方向正确率direction_accuracy判断准不准看多要跑赢、看空要跑输才算对上涨占比up_rate标的怎么走与评级方向无关跑赢占比outperform_rate标的 vs 大盘只统计有 Alpha 的记录方向判定逻辑performance.py评级方向怎样才算对Buy强力买入看多跑赢沪深 300无 Alpha 时看绝对收益为正Overweight增持看多同上Hold观望无方向不表态不计入Underweight减持看空跑输沪深 300Sell强力卖出看空同上两个反直觉点值得记住给出 Sell 后股价下跌 判断正确。如果只看收益是否为正这种正确的看空会被记成失败——这正是早期实现踩过的坑测试用例 test_bearish_call_that_fell_counts_as_correct 锁死了这条规则Hold 不算错也不算对所以方向正确率的分母是有方向的评级条数而不是全部已结算条数。为什么看沪深 300 Alpha而不是绝对收益 A 股beta 很强牛市里闭眼买都涨跟着大盘走并不证明判断力。所以框架把 Alpha 基准从上游项目的 SPY 换成了沪深 300 指数代码000300.SS见 trading_graph.py平均 Alpha每次决策在持有期内相对沪深 300 的超额收益均值——这才是AI 比指数强多少的直接答案方向正确率也用 Alpha 口径判定看多要跑赢大盘、看空要跑输大盘拿不到 Alpha 时才退回看绝对收益报告里明确提示A 股 beta 很强跟着大盘涨不代表判断对。评级区分度检验五档评级有没有用 比单条对错更能说明问题的是评级单调性从 Buy 到 Sell五档评级的平均 Alpha 应当单调递减——越看好的票超额收益越高评级才带有区分度rating_monotonicity。✅评级越看好平均 Alpha 越高——评级带有区分度⚠️评级与实际 Alpha 不单调更看好的评级并没有带来更高超额收益说明这套流程的评级颗粒度没有实际预测力只有五档都积累了样本才下结论缺一档则标注暂不判断。三个坑务必注意 ⚠️这不是回测也不是策略业绩。每条记录是某天做的判断在固定持有期后的表现持有窗口互相重叠、没有仓位管理、未计交易成本与冲击成本样本还可能有选择偏差。报告末尾每次都自动附上这段声明样本少于 20 条 噪音。MIN_MEANINGFUL_SAMPLE 20不够数时报告会自己喊出不要据此判断这套流程有效或无效即使总数够有方向的评级不足 20 条时方向正确率也会单独警告解析不出收益的记录被跳过而不是当成 0%——把失败当零值会把统计悄悄拉向中性这是此类报表最典型的自我欺骗规则见 tests/test_performance.py 的不许骗人章节。常见问题 问为什么显示暂无可统计的决策结果因为你还没有第二次分析过同一只股票——结算发生在下次跑同一只票时系统才会拉真实行情回填收益。多跑几次、多换几只票数据就攒起来了。问统计会不会额外消耗 Token / 调用大模型不会。performance子命令纯本地读文件零 LLM 调用。问能直接当择时策略用吗不能。它衡量的是分析流程自身的一致性不构成投资建议——这是项目方写死在报告里的免责声明请务必保留这份清醒。小结tradingagents performance一条命令就能回答AI 判断 A 股到底准不准——盯住方向正确率和**平均 Alpha对沪深 300**这两个口径配合评级单调性检验再守住20 条以下不轻信、这不是回测两条底线你对这套 7 人 AI 投研团队的成心里就有数了。【免费下载链接】TradingAgents-astockA股多Agent投研框架 — 适配A股数据源(龙虎榜/游资/解禁等)7位分析师基于A股规则的辩论决策基于TradingAgents深度改造适配大A。A-share multi-agent investment research framework — 7 AI analysts, bull/bear debate, risk assessment。项目地址: https://gitcode.com/gh_mirrors/tr/TradingAgents-astock创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考
