FinResearch Lab

一个可操作的金融研究 Agent、策略回放与模型评测工作台。面向“金融 Agent 评测 + 持续市场信息研究”的项目实践。

不是自动交易程序。研究报告附来源与工具记录；历史回放、前向模拟、软件测试和模型训练分别记录，不混成一个“准确率”。

2026-09-25 VPS RH 实测交付：主网 4663 的有界只读采集、时点审计、确定性证据报告、真实小案例 Benchmark 和独立 loopback 服务已实现并运行。首轮规则真实题 6/6，三个模型基线均 0/6；合成对抗题单列，不能包装为有效金融模型。专用入口 http://127.0.0.1:8876，远程使用 SSH 隧道。详见 当前状态、完整结果与错误、运行/回滚、五分钟演示与事实账本。下面的通用工作台和旧合成 LoRA 与本轮 RH 结果分开。

本机启动

cd finresearch-lab
python -m finresearch serve --port 8765

打开 http://127.0.0.1:8765 。开发环境曾使用 Ollama 的本地模型别名 finresearch-qwen3b；仓库不附带模型或本机配置，新环境必须单独配置可用的推理服务。

新环境：Python 3.11+，python -m pip install .。把 .env.example 复制为 .env，填写你自己的兼容接口和模型。模型密钥只在服务端读取。FIN_SECOND_MODEL_* 可配置第二个模型。

.env、运行数据库和模型权重不进入源码发布包。Modelfile.local 是当前机器的模型导入配置，路径不可直接用于另一台机器；它的模板参照 Ollama 官方 qwen2.5 模板格式。

能做什么

• 研究工作台：针对问题自主查询已采集的证据，读取原文片段，查询行情/公司财务，调用计算工具，形成结构化研究结论；来源 ID 和原文引用校验失败时重试或报错。
• 信息采集：四个一手消息源、内容去重、不可变修订、发布时间与首次观测时间。不是全网搜索。
• 策略评测：股票和数字资产观察池；现金/市场/等权/动量/LLM 同口径回放；成本、回撤、换手、市场与自建动量因子归因、HAC 区间。
• 前向模拟：先存模型决策，未来行情到达后再计量。没有下单、签名或交易账户权限。
• 模型实验：案例分组隔离、基础与清单 Prompt 对照、逐题结构化评分；独立 LoRA SFT 脚本、训练日志和前后测试结果。
• 运行记录：SQLite 持久化、模型调用预算、后台任务错误记录、小时级采集服务与部署文件。

常用命令

python -m finresearch probe
python -m finresearch collect
python -m finresearch market equity
python -m finresearch market crypto
python -m finresearch research "英伟达算力主题有哪些新证据与不确定性？"
python -m finresearch research "AI 算力 NVIDIA" --evidence-only
python -m finresearch benchmark <market-artifact-id>
python -m finresearch benchmark <market-artifact-id> --llm --blind
python -m finresearch evaluate --variant basic
python -m finresearch evaluate --variant checklist
python -m finresearch evaluate --second
python -m finresearch forward <market-artifact-id>
python -m finresearch monitor --once
python -m finresearch monitor
python -m finresearch export <artifact-id>
python -m finresearch ashare
python -m unittest discover -s tests -v

每个任务输出 ID 和内容哈希。完整结果在 runtime/research.sqlite3，可通过工作台导出 JSON。成功的软件测试不等于模型正确；模型失败同样保留在结果里。

训练实验

基础服务只需要 NumPy。训练依赖独立安装，避免污染交易环境：

python -m venv .venv
.\.venv\Scripts\python -m pip install torch --index-url https://download.pytorch.org/whl/cpu
.\.venv\Scripts\python -m pip install -r requirements-training.txt
.\.venv\Scripts\python -m finresearch train --steps 28

默认使用 Qwen2.5-0.5B-Instruct，训练的是金融审查结构化回答能力。模型下载需要网络与本地空间。runtime/training/ 保存分组数据、训练前答案、adapter、loss 和完整结果。首轮结果是小样本实验，不作为上线能力证明。未实现或声称 RL 训练。

部署与边界

• 本次 VPS 接续：docs/CURRENT_STATE.md；真实数据审计与缺口、清理计划、分阶段 TODO。.venv/bin/python scripts/smoke_offline.py 仍可单独验证离线通用工作台；真实 RH 流程见专用文档。
• 规范化链上导出审计：audit-export 提供有界只读文件审计，rh_adapter.py 已将实际主网快照映射到该接口；.venv/bin/python scripts/demo_chain_audit.py 是单独的合成三情景验证。
• VPS 接续：docs/VPS_HANDOFF.md
• 给 VPS 编程 Agent 的完整任务：docs/VPS_AGENT_PROMPT.md
• RH 信息收集与分析规格：prompts/RH_RESEARCH.md（已接专用 RH 运行时和工具模型评测；真实模型结果仍不合格）
• 实验定义、数据限制与引用：docs/METHODOLOGY.md
• 岗位展示及事实边界：docs/PORTFOLIO.md
• RH 收益三层与本次 null：docs/RH_RETURN_LAYERS.md
• A 股收益三层与本次 null：docs/ASHARE_RETURN_LAYERS.md
• 评测短文：docs/papers/llm-trading-agent-evaluation.md
• 本次运行凭证：docs/DELIVERY.md

股票行情来自非官方 Yahoo chart 接口，可用性和历史调整可能改变；数字资产行情来自 Coinbase。SEC 财务工具需配置真实联系邮箱的 User-Agent；未配置时明确返回不可用，不制造财务数据。

工作台监听本地地址，有 Host/Origin/CSRF 检查；它不是多用户互联网服务。远端使用 SSH 隧道访问。不要把它直接暴露到公网。

代码组织

sources.py 数据 → store.py 时点与证据 → agent.py 研究工具循环 → benchmark.py 回放/归因/前向 → evaluation.py 模型评分 → training.py LoRA → monitor.py 持续任务 → server.py 与 web/ 工作台。ashare.py 读取 A 股研究卡片，把两份巨潮摘录送入同一套引用校验，并对合成开盘订单做约束评分；收益层保持 null。

GitHub Actions 文件已编写，尚未因为“有文件”就视为在 GitHub 上跑过。项目不会自动提交、推送或发布研究内容。

新版工作台与展示数据

薄荷白主题工作台包含研究概览、历史资料库和只读模拟用户目录。本地演示曾使用 2,880 条真实历史日线、70 条一手信息，以及 320 条明确标注的合成用户资料。历史数据库不随 Git 分发，新克隆环境需要自行采集；合成用户不是注册用户或求职成果。支持筛选、分页、来源详情与 JSON 导出。数据口径见 docs/UI_DATA.md。

RH 小窗口数据接入与专用 VPS 服务已有本轮运行证据；全链可执行回放、RH SFT/RL、人工标签复核和长期稳定性仍未验证。求职表述以事实账本为准。