把投资分析开成「辩论赛」：用多空对抗式AI辩论做持仓诊断

引子：一个分析师的大脑里住了几个人？

每天收盘后，我需要分析 A 股市场的整体状况，然后逐个诊断持仓组合中的每一只标的——是继续持有？减仓？还是果断止损？每一项决策都涉及大量数据：行情走势、技术指标、资金流向、板块轮动、消息面情绪、宏观环境……信息量远超一个人脑能实时处理的范围。

传统做法是：打开行情软件，翻 K 线，看指标，读新闻，然后靠经验拍脑袋。

但我是搞 AI Agent 的。我自然想问：能不能让 AI 替我做这件事？ 不是简单地”生成一份报告”，而是模拟真实投资决策中的对抗式讨论——毕竟，最扎实的投资决策不是在 consensus 中诞生的，而是在 bull vs bear 的交锋中锤炼出来的。

这就是 多空辩论圆桌（Market Debate Roundtable） 的起源。

问题：为什么单 Agent 分析不够？

先看看市面上已有的”AI 股票分析”是什么画风。大多数工具的做法是：输入股票代码 → 调用 LLM → 输出一段分析文本。类似于这样：

1 2	📊 该股近期走势偏弱，MACD 死叉，RSI 处于弱势区，建议观望。支撑位 XX，压力位 XX。

这种分析的问题在哪？

问题	表现
缺乏深度博弈	只给一个结论，没有展示”为什么不是相反方向”
确认偏误	模型一旦形成判断就倾向坚持，不会自我反驳
风险盲区	只分析有利因素，不利因素一笔带过
单一视角	像只有一个分析师在做决策，没有团队讨论的碰撞

现实中，任何靠谱的投资决策流程都包含多角色制衡：

┌─────────────┐
│  研究团队   │ ← 收集数据，提出论据
├─────────────┤
│  多头 vs 空头 │ ← 对抗式辩论，压力测试
├─────────────┤
│  投资委员会   │ ← 综合裁决，形成决策
├─────────────┤
│  风控团队   │ ← 检查风险敞口
└─────────────┘

本质问题：单 Agent 分析是一个人在唱独角戏，而投资决策需要一支队伍。

解决方案：三角色辩论圆桌

受到 TradingAgents 这篇论文的启发——它提出用多 LLM Agent 模拟交易团队——我设计了一套 三角色对抗式辩论框架，嵌入到每日收盘分析的工作流中。

角色设计

1
2
3

🐂 看多方（Bull）  — 寻找一切看多信号，给出强度评分（1-5）
🐻 看空方（Bear）  — 寻找一切看空信号，给出强度评分（1-5）
⚖️ 裁判（Judge）   — 综合双方论点，给出最终判定

每个角色独立输出，彼此不干扰，裁判在最后综合。

市场级辩论流程

第一步不是分析个股，而是先做 市场环境的多空辩论：

# 伪代码：辩论圆桌的决策流程

# Step 1: 采集市场数据
market_data = {
    "northbound_flow": get_northbound_flow(),     # 北向资金
    "limitup_tiers": get_limitup_tiers(),          # 涨停梯队
    "industry_flow": get_industry_fund_flow(),     # 行业资金流向
    "market_lhb": get_market_lhb(),                # 龙虎榜
    "hot_stocks": get_market_hot_stocks(),          # 热点题材
    "global_context": get_global_quotes(["DJI", "IXIC", "HSI"]),
}

# Step 2: 牛市论
bull_case = analyze_bull(market_data)
# 输出示例：{"signals": ["北向深股通净流入370亿", "封板率87%"],
#             "strength": 3}

# Step 3: 熊市论  
bear_case = analyze_bear(market_data)
# 输出示例：{"signals": ["科技股共振下跌", "两市缩量1685亿"],
#             "strength": 4}

# Step 4: 裁判综合
judge_decision = synthesize(bull_case, bear_case)
# 输出示例：{"winner": "bear", "position_suggestion": "45%",
#             "rationale": "市场处于科技修整+防御轮动的再平衡期"}

个股级辩论流程

有了市场大方向后，对持仓组合中的每个标的展开 独立的个股辩论：

以 2026 年 7 月 17 日（周五）的军工 ETF（512660）为例，真实辩论过程如下：

🐂 看多方（强度 1/5）：

布林带跌破下轨，处于超卖区域
美伊冲突升温理论上利好军工板块

🐻 看空方（强度 5/5）：

MA5/10/20/60 全面空头排列
今日再创阶段新低，连续 11 个交易日无任何企稳 K 线形态
RSI 32.8 弱势区无底背离
量价齐跌，成交额放大

⚖️ 裁判综合：

🟢激进 → 超卖反弹可等 1-2 天
🟡中立 → 强烈建议止损，等右侧确认再回补
🔵保守 → 中期下行趋势明确，-5% 日跌幅非正常回调

最终判定：空方压倒性胜出
操作建议：止损或反弹至MA5减仓

对比一下，如果只用一个 Agent 做分析，大概率会说”超卖了，可能有反弹”，不会把论据的薄弱程度（强度 1/5）和双方的交锋过程呈现在你面前。而辩论框架让你看到决策的全貌——不再是一个黑盒结论，而是一个透明的思维过程。

效果：从声音到投票

我对该框架上线前后做了对比：

维度	单 Agent 分析	辩论圆桌	变化
决策说服力	让用户自己判断	双方论据清晰呈现	信任度大幅提升
风险暴露	容易忽略利空	空方必须全力找茬	风险识别更全面
操作纪律	靠感觉	有评分+止损线	执行更严格
覆盖率	看 K 线+新闻	7 维数据+全球语境	视角更广

更重要的是——用户说改变了他的行为。以前他套牢了容易”死扛”，现在看到他自己的 Agent 在辩论中给出”坚决止损”的结论（且空方强度 5/5），他更愿意执行止损。这才是 AI 投资分析真正该做的事：不是代替你做决策，而是帮你做出更好的决策。

技术要点：实现这个框架的 3 个关键决策

1. 角色分离比”角色扮演”更重要

最开始我尝试让一个 Agent 同时扮演多空两方——“你既是多头又是空头，先看多再看空”。效果很差：Agent 会在第二轮就忘记自己是多头，开始附和空头的论点。

解决方案：强制角色隔离——每一轮辩论中的每个角色都是一次独立的 LLM 调用，拥有独立的系统 prompt 和上下文。看多方看不到空方的输出，裁判则同时看到双方。

# 伪代码：角色隔离
def market_debate(market_data):
    # 独立调用，互不干扰
    bull = llm_call(
        system="你是一名看多分析师。找看多信号。",
        data=market_data
    )
    bear = llm_call(
        system="你是一名看空分析师。找看空信号。",
        data=market_data
    )
    # 裁判同时看到双方
    judge = llm_call(
        system="你是裁判。综合多空双方论据。",
        bull=bull, bear=bear
    )
    return bull, bear, judge

2. 评分标准化（强度 1-5）

每个角色必须为自己的论点给出 强度评分（1-5）。这个设计带来了两个好处：

防止敷衍：不能只说”有利因素”，必须量化有多有利
便于比较：空方 5/5 对多方 1/5 → 差距一目了然

我们把强度评分映射到可视化：🟢1-2 弱 / 🟡3 中 / 🔴4-5 强。在报告中，读者一眼就能看出哪方占优。

3. 三级裁判（激进/中立/保守）

最终裁判不是只有一个意见，而是分三个风险偏好：

judgments = {
    "aggressive": "激进型 👉 继续持有，等反弹再加仓",
    "neutral": "中立型 👉 5日线下方不减仓，反弹至MA5减1/3",
    "conservative": "保守型 👉 明日若继续放量下跌，止损减半",
}

这模仿了真实投资委员会中不同风格委员的讨论。用户可以根据自己的风险承受能力选择听从哪个建议。

与 TradingAgents 的异同

TradingAgents 论文设计了一个完整的量化交易多 Agent 系统，包含 Fundamental Analyst、Sentiment Analyst、Technical Analyst、Trader、Risk Manager 等多个角色。我们的实践是它的 轻量化变体：

维度	TradingAgents	我们的辩论圆桌
角色数	7+ 个角色	3 个角色（Bull/Bear/Judge）
输出	完整交易信号	分析报告+决策建议
部署	需要多 API Key 并行	单 Agent 串行调用
用途	高频量化交易	每日持仓诊断
实现成本	数千行代码	~200 行 prompt + 流程编排