[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"similar-FinStep-AI--ContestTrade":3,"tool-FinStep-AI--ContestTrade":61},[4,18,26,36,44,53],{"id":5,"name":6,"github_repo":7,"description_zh":8,"stars":9,"difficulty_score":10,"last_commit_at":11,"category_tags":12,"status":17},4358,"openclaw","openclaw\u002Fopenclaw","OpenClaw 是一款专为个人打造的本地化 AI 助手，旨在让你在自己的设备上拥有完全可控的智能伙伴。它打破了传统 AI 助手局限于特定网页或应用的束缚，能够直接接入你日常使用的各类通讯渠道，包括微信、WhatsApp、Telegram、Discord、iMessage 等数十种平台。无论你在哪个聊天软件中发送消息，OpenClaw 都能即时响应，甚至支持在 macOS、iOS 和 Android 设备上进行语音交互，并提供实时的画布渲染功能供你操控。\n\n这款工具主要解决了用户对数据隐私、响应速度以及“始终在线”体验的需求。通过将 AI 部署在本地，用户无需依赖云端服务即可享受快速、私密的智能辅助，真正实现了“你的数据，你做主”。其独特的技术亮点在于强大的网关架构，将控制平面与核心助手分离，确保跨平台通信的流畅性与扩展性。\n\nOpenClaw 非常适合希望构建个性化工作流的技术爱好者、开发者，以及注重隐私保护且不愿被单一生态绑定的普通用户。只要具备基础的终端操作能力（支持 macOS、Linux 及 Windows WSL2），即可通过简单的命令行引导完成部署。如果你渴望拥有一个懂你",349277,3,"2026-04-06T06:32:30",[13,14,15,16],"Agent","开发框架","图像","数据工具","ready",{"id":19,"name":20,"github_repo":21,"description_zh":22,"stars":23,"difficulty_score":10,"last_commit_at":24,"category_tags":25,"status":17},3808,"stable-diffusion-webui","AUTOMATIC1111\u002Fstable-diffusion-webui","stable-diffusion-webui 是一个基于 Gradio 构建的网页版操作界面，旨在让用户能够轻松地在本地运行和使用强大的 Stable Diffusion 图像生成模型。它解决了原始模型依赖命令行、操作门槛高且功能分散的痛点，将复杂的 AI 绘图流程整合进一个直观易用的图形化平台。\n\n无论是希望快速上手的普通创作者、需要精细控制画面细节的设计师，还是想要深入探索模型潜力的开发者与研究人员，都能从中获益。其核心亮点在于极高的功能丰富度：不仅支持文生图、图生图、局部重绘（Inpainting）和外绘（Outpainting）等基础模式，还独创了注意力机制调整、提示词矩阵、负向提示词以及“高清修复”等高级功能。此外，它内置了 GFPGAN 和 CodeFormer 等人脸修复工具，支持多种神经网络放大算法，并允许用户通过插件系统无限扩展能力。即使是显存有限的设备，stable-diffusion-webui 也提供了相应的优化选项，让高质量的 AI 艺术创作变得触手可及。",162132,"2026-04-05T11:01:52",[14,15,13],{"id":27,"name":28,"github_repo":29,"description_zh":30,"stars":31,"difficulty_score":32,"last_commit_at":33,"category_tags":34,"status":17},1381,"everything-claude-code","affaan-m\u002Feverything-claude-code","everything-claude-code 是一套专为 AI 编程助手（如 Claude Code、Codex、Cursor 等）打造的高性能优化系统。它不仅仅是一组配置文件，而是一个经过长期实战打磨的完整框架，旨在解决 AI 代理在实际开发中面临的效率低下、记忆丢失、安全隐患及缺乏持续学习能力等核心痛点。\n\n通过引入技能模块化、直觉增强、记忆持久化机制以及内置的安全扫描功能，everything-claude-code 能显著提升 AI 在复杂任务中的表现，帮助开发者构建更稳定、更智能的生产级 AI 代理。其独特的“研究优先”开发理念和针对 Token 消耗的优化策略，使得模型响应更快、成本更低，同时有效防御潜在的攻击向量。\n\n这套工具特别适合软件开发者、AI 研究人员以及希望深度定制 AI 工作流的技术团队使用。无论您是在构建大型代码库，还是需要 AI 协助进行安全审计与自动化测试，everything-claude-code 都能提供强大的底层支持。作为一个曾荣获 Anthropic 黑客大奖的开源项目，它融合了多语言支持与丰富的实战钩子（hooks），让 AI 真正成长为懂上",143909,2,"2026-04-07T11:33:18",[14,13,35],"语言模型",{"id":37,"name":38,"github_repo":39,"description_zh":40,"stars":41,"difficulty_score":32,"last_commit_at":42,"category_tags":43,"status":17},2271,"ComfyUI","Comfy-Org\u002FComfyUI","ComfyUI 是一款功能强大且高度模块化的视觉 AI 引擎，专为设计和执行复杂的 Stable Diffusion 图像生成流程而打造。它摒弃了传统的代码编写模式，采用直观的节点式流程图界面，让用户通过连接不同的功能模块即可构建个性化的生成管线。\n\n这一设计巧妙解决了高级 AI 绘图工作流配置复杂、灵活性不足的痛点。用户无需具备编程背景，也能自由组合模型、调整参数并实时预览效果，轻松实现从基础文生图到多步骤高清修复等各类复杂任务。ComfyUI 拥有极佳的兼容性，不仅支持 Windows、macOS 和 Linux 全平台，还广泛适配 NVIDIA、AMD、Intel 及苹果 Silicon 等多种硬件架构，并率先支持 SDXL、Flux、SD3 等前沿模型。\n\n无论是希望深入探索算法潜力的研究人员和开发者，还是追求极致创作自由度的设计师与资深 AI 绘画爱好者，ComfyUI 都能提供强大的支持。其独特的模块化架构允许社区不断扩展新功能，使其成为当前最灵活、生态最丰富的开源扩散模型工具之一，帮助用户将创意高效转化为现实。",107888,"2026-04-06T11:32:50",[14,15,13],{"id":45,"name":46,"github_repo":47,"description_zh":48,"stars":49,"difficulty_score":32,"last_commit_at":50,"category_tags":51,"status":17},4721,"markitdown","microsoft\u002Fmarkitdown","MarkItDown 是一款由微软 AutoGen 团队打造的轻量级 Python 工具，专为将各类文件高效转换为 Markdown 格式而设计。它支持 PDF、Word、Excel、PPT、图片（含 OCR）、音频（含语音转录）、HTML 乃至 YouTube 链接等多种格式的解析，能够精准提取文档中的标题、列表、表格和链接等关键结构信息。\n\n在人工智能应用日益普及的今天，大语言模型（LLM）虽擅长处理文本，却难以直接读取复杂的二进制办公文档。MarkItDown 恰好解决了这一痛点，它将非结构化或半结构化的文件转化为模型“原生理解”且 Token 效率极高的 Markdown 格式，成为连接本地文件与 AI 分析 pipeline 的理想桥梁。此外，它还提供了 MCP（模型上下文协议）服务器，可无缝集成到 Claude Desktop 等 LLM 应用中。\n\n这款工具特别适合开发者、数据科学家及 AI 研究人员使用，尤其是那些需要构建文档检索增强生成（RAG）系统、进行批量文本分析或希望让 AI 助手直接“阅读”本地文件的用户。虽然生成的内容也具备一定可读性，但其核心优势在于为机器",93400,"2026-04-06T19:52:38",[52,14],"插件",{"id":54,"name":55,"github_repo":56,"description_zh":57,"stars":58,"difficulty_score":10,"last_commit_at":59,"category_tags":60,"status":17},4487,"LLMs-from-scratch","rasbt\u002FLLMs-from-scratch","LLMs-from-scratch 是一个基于 PyTorch 的开源教育项目，旨在引导用户从零开始一步步构建一个类似 ChatGPT 的大型语言模型（LLM）。它不仅是同名技术著作的官方代码库，更提供了一套完整的实践方案，涵盖模型开发、预训练及微调的全过程。\n\n该项目主要解决了大模型领域“黑盒化”的学习痛点。许多开发者虽能调用现成模型，却难以深入理解其内部架构与训练机制。通过亲手编写每一行核心代码，用户能够透彻掌握 Transformer 架构、注意力机制等关键原理，从而真正理解大模型是如何“思考”的。此外，项目还包含了加载大型预训练权重进行微调的代码，帮助用户将理论知识延伸至实际应用。\n\nLLMs-from-scratch 特别适合希望深入底层原理的 AI 开发者、研究人员以及计算机专业的学生。对于不满足于仅使用 API，而是渴望探究模型构建细节的技术人员而言，这是极佳的学习资源。其独特的技术亮点在于“循序渐进”的教学设计：将复杂的系统工程拆解为清晰的步骤，配合详细的图表与示例，让构建一个虽小但功能完备的大模型变得触手可及。无论你是想夯实理论基础，还是为未来研发更大规模的模型做准备",90106,"2026-04-06T11:19:32",[35,15,13,14],{"id":62,"github_repo":63,"name":64,"description_en":65,"description_zh":66,"ai_summary_zh":67,"readme_en":68,"readme_zh":69,"quickstart_zh":70,"use_case_zh":71,"hero_image_url":72,"owner_login":73,"owner_name":73,"owner_avatar_url":74,"owner_bio":75,"owner_company":76,"owner_location":76,"owner_email":77,"owner_twitter":76,"owner_website":78,"owner_url":79,"languages":80,"stars":89,"forks":90,"last_commit_at":91,"license":92,"difficulty_score":32,"env_os":93,"env_gpu":94,"env_ram":95,"env_deps":96,"category_tags":101,"github_topics":76,"view_count":32,"oss_zip_url":76,"oss_zip_packed_at":76,"status":17,"created_at":102,"updated_at":103,"faqs":104,"releases":135},5212,"FinStep-AI\u002FContestTrade","ContestTrade","A Multi-Agent Trading System Based on Internal Contest Mechanism","ContestTrade 是一款创新的多智能体自动交易框架，旨在帮助用户打造专属的\"AI 交易团队”。它主要解决了传统量化策略在应对突发新闻、政策公告等“事件驱动”机会时反应滞后或依赖人工筛选的痛点。通过模拟专业投研机构的决策流程，ContestTrade 能在无人工干预下自主扫描全市场，从海量数据中挖掘潜在投资机会并输出可执行的资产配置建议。\n\n该系统独特的技术亮点在于其“内部竞赛机制”。工作流程分为两个阶段：首先由多个数据智能体并行处理原始信息，通过内部比拼提炼出最优“因子组合”；随后，研究智能体基于用户自定义的“交易信念”（如激进套利或稳健配置）对这些因子进行深度分析并提交提案，最终经第二轮竞赛合成最可靠的投资策略。这种双重筛选确保了决策的稳健性与抗干扰能力。\n\nContestTrade 非常适合量化研究员、金融科技开发者以及希望尝试自动化事件驱动策略的进阶投资者使用。用户只需简单配置 API 密钥并在 JSON 文件中定义投资偏好（例如关注并购重组或高分红蓝筹），即可灵活适配不同的投资风格。项目基于 Python 构建，支持 Docker 部署，为探索 AI 在金融领域的深层应","ContestTrade 是一款创新的多智能体自动交易框架，旨在帮助用户打造专属的\"AI 交易团队”。它主要解决了传统量化策略在应对突发新闻、政策公告等“事件驱动”机会时反应滞后或依赖人工筛选的痛点。通过模拟专业投研机构的决策流程，ContestTrade 能在无人工干预下自主扫描全市场，从海量数据中挖掘潜在投资机会并输出可执行的资产配置建议。\n\n该系统独特的技术亮点在于其“内部竞赛机制”。工作流程分为两个阶段：首先由多个数据智能体并行处理原始信息，通过内部比拼提炼出最优“因子组合”；随后，研究智能体基于用户自定义的“交易信念”（如激进套利或稳健配置）对这些因子进行深度分析并提交提案，最终经第二轮竞赛合成最可靠的投资策略。这种双重筛选确保了决策的稳健性与抗干扰能力。\n\nContestTrade 非常适合量化研究员、金融科技开发者以及希望尝试自动化事件驱动策略的进阶投资者使用。用户只需简单配置 API 密钥并在 JSON 文件中定义投资偏好（例如关注并购重组或高分红蓝筹），即可灵活适配不同的投资风格。项目基于 Python 构建，支持 Docker 部署，为探索 AI 在金融领域的深层应用提供了强大而灵活的开源工具。","\u003Cp align=\"center\">\n  \u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FFinStep-AI_ContestTrade_readme_0b0836394e6b.jpg\" style=\"width: 100%; height: auto;\">\n\u003C\u002Fp>\n\u003Cdiv align=\"center\" style=\"line-height: 1;\">\n  \u003Ca href=\"https:\u002F\u002Farxiv.org\u002Fabs\u002F2508.00554\" target=\"_blank\">\u003Cimg alt=\"arXiv\" src=\"https:\u002F\u002Fimg.shields.io\u002Fbadge\u002FarXiv-2508.00554-B31B1B?logo=arxiv\"\u002F>\u003C\u002Fa>\n  \u003Ca href=\"https:\u002F\u002Fopensource.org\u002Flicenses\u002FApache-2.0\" target=\"_blank\">\u003Cimg alt=\"License\" src=\"https:\u002F\u002Fimg.shields.io\u002Fbadge\u002FLicense-Apache_2.0-blue.svg\"\u002F>\u003C\u002Fa>\n  \u003Ca href=\"https:\u002F\u002Fwww.python.org\u002Fdownloads\u002Frelease\u002Fpython-3100\u002F\" target=\"_blank\">\u003Cimg alt=\"Python Version\" src=\"https:\u002F\u002Fimg.shields.io\u002Fbadge\u002FPython-3.10+-brightgreen.svg\"\u002F>\u003C\u002Fa>\n  \u003Ca href=\".\u002Fassets\u002Fwechat.png\" target=\"_blank\">\u003Cimg alt=\"WeChat\" src=\"https:\u002F\u002Fimg.shields.io\u002Fbadge\u002FWeChat-ContestTrade-brightgreen?logo=wechat&logoColor=white\"\u002F>\u003C\u002Fa>\n\u003C\u002Fdiv>\n\u003Cdiv align=\"center\">\n  \u003Ca href=\"README_en.md\">English\u003C\u002Fa> | \u003Ca href=\"README.md\">中文\u003C\u002Fa>\n\u003C\u002Fdiv>\n\n---\n\n# ContestTrade: A Multi-Agent Trading System Based on Internal Contest Mechanism\n\n**ContestTrade** 是一个创新的多智能体（Multi-Agent）交易框架，通过**ContestTrade** 您可以轻松的打造一支专属的AI交易团队。只需设定分析时刻，它能在无人工干预的情况下自主扫描全市场，从海量数据中挖掘潜在事件驱动型的投资机会，并通过内部优选机制，为您构建最值得信赖的投资组合。\n\n## Introduction (项目简介)\n\nContestTrade 是一个面向事件驱动选股的多智能体交易框架。系统目标是：在没有人工干预的条件下，自动发现、评估并跟踪具有投资价值的事件型机会，最终输出可执行的资产配置建议。\n\n**核心功能**：\n\n- **自动选股**：全市场扫描与信号生成，自动输出可交易的候选股票列表，无需人工逐一筛选。\n- **事件驱动**：以新闻、公告、资金流、政策等催化事件为触发，关注具有显著信息冲击的机会。\n- **个性化配置**：支持用户自定义智能体的研究偏好和策略，灵活适应不同投资风格。\n\n## Framework Overview (框架概览)\n\n\u003Cp align=\"center\">\n  \u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FFinStep-AI_ContestTrade_readme_a16fe8103348.jpg\" style=\"width: 90%; height: auto;\">\n\u003C\u002Fp>\n\nContestTrade 的工作流程通过一个结构化的双阶段管道来运作，模拟了投资公司的动态决策过程。这个双重竞赛框架确保了最终的决策只被最稳健、最有效的洞察所驱动，从而在复杂的市场中保持了强大的适应性和抗干扰能力。\n\n1. **数据处理阶段:** 首先，来自多个来源的原始市场数据被输入到**数据团队**。团队中的多个数据分析智能体 (Data Analysis Agents) 并行工作，将这些原始数据提炼成结构化的“文本因子”。在这一阶段，内部竞赛机制会评估每个数据智能体生成的因子的潜在价值，并构建出一个最优的“因子投资组合”。\n2. **研究决策阶段:** 这个最优的因子组合随后被传递给**研究团队**。团队中的多个研究员智能体 (Research Agents) 会基于各自独特的“交易信念” (Trading Beliefs) 和强大的金融工具集，对这些因子进行并行的深度分析，并各自提交交易提案。随后，第二轮内部竞赛会评估这些交易提案，并最终合成一个统一、可靠的资产配置策略作为最终输出。\n\n## Installation (安装)\n\n```bash\n# 1. 克隆项目仓库\ngit clone https:\u002F\u002Fgithub.com\u002FFinStep-AI\u002FContestTrade.git\ncd ContestTrade\n\n# 2. (推荐) 创建并激活虚拟环境\nconda create -n contesttrade python=3.10\nconda activate contesttrade\n\n# 3. 安装项目依赖\npip install -r requirements.txt\n\n```\n\n或克隆后修改配置，通过 [Docker](https:\u002F\u002Fdocs.n8n.io\u002Fhosting\u002Finstallation\u002Fdocker\u002F)启动:\n\n```\ndocker run -it --rm --name contest_trade -v $(pwd)\u002Fconfig.yaml:\u002FContestTrade\u002Fconfig.yaml finstep\u002Fcontesttrade:v2.0\n```\n\n## Configuration (配置)\n\n在运行ContestTrade之前，您需要配置必要的API密钥和LLM参数。\n\n编辑 `config.yaml` 文件，填入您的API密钥。下表列出了所有必需和可选的密钥：\n\n\u003Cdiv align=\"center\">\n\n| 配置项 (Key)     | 描述 (Description)    | 必需 (Required) |\n| :--------------- | :-------------------- | :-------------: |\n| `TUSHARE_KEY`  | Tushare 数据接口密钥  |       ❌       |\n| `BOCHA_KEY`    | Bocha 搜索引擎密钥    |       ❌       |\n| `SERP_KEY`     | SerpAPI 搜索引擎密钥  |       ❌       |\n| `LLM`          | 用于通用任务的LLM API |       ✅       |\n| `LLM_THINKING` | 用于复杂推理的LLM API |       ❌       |\n| `VLM`          | 用于视觉分析的VLM API |       ❌       |\n\n\u003C\u002Fdiv>\n\n> 注意：LLM API 和 VLM API 需要您自行申请，具体根据您使用的平台和模型填写URL、API Key以及模型名称。当前配置文件默认支持AKShare数据接口，您也可以自行配置Tushare接口及配套配置来获得更好的表现。\n\n## Preference (选股偏好)\n\n每个 Research Agent 对应一条“交易信念（belief）”，系统会根据这些信念并结合数据与工具生成投资信号（每条信念最多输出5个信号）。配置文件位于 `contest_trade\u002Fconfig\u002Fbelief_list.json`，其格式为一个 JSON 字符串数组。\n\n示例 1 — 偏好短期事件驱动（更激进）:\n\n```json\n[\n  \"专注于短期事件驱动机会：优先关注公司公告、并购重组、订单暴增、技术突破等催化事件；偏好中小市值、高波动的题材股，适合激进套利策略。\"\n]\n```\n\n示例 2 — 偏好稳健事件（更保守）:\n\n```json\n[\n  \"专注于稳健的确定性事件：关注分红、回购、业绩预告确认、重大合同落地和政策利好等；偏好大盘蓝筹、低波动、确定性高的标的，适合稳健配置。\"\n]\n```\n\n默认配置:\n\n```json\n[\n  \"基于提供的资讯内容综合考虑各公司的业务动态、行业趋势以及潜在的市场影响。为两个群体推荐接下来的交易日具有投资潜力的股票组合:群体1：风险偏好者（偏好波动率大、收益率高，中低市值的股票）;群体2：稳健投资者（偏好低波动率、稳定收益、高市值的股票）。\",\n  \"基于近期突发性事件、政策调整及企业公告等催化剂因素，结合市场情绪传导路径和资金博弈特征。为两类不同风格的投资者筛选事件驱动型机会：群体1：激进套利者（偏好重组预期、订单暴增、技术突破等强题材的小盘股）；群体2：防御套利者（偏好分红上调、大宗回购、特许经营权获取等确定性事件的蓝筹股）。需注意北向资金异动与龙虎榜机构席位动向形成的共振效应。\"\n]\n```\n\n说明（可选）：将您偏好的文本描述逐条加入 `contest_trade\u002Fconfig\u002Fbelief_list.json` 中，系统会为每条信念分别运行相应的 Research Agent 并输出信号。\n\n## Usage (使用方法)\n\n您可以通过命令行界面（CLI）轻松启动ContestTrade。\n\n```bash\npython -m cli.main run\n```\n\n程序启动后，您将进入终端交互式界面，可以选择您要分析的市场。\n\n\u003Cp align=\"center\">\n  \u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FFinStep-AI_ContestTrade_readme_4c451f5f52ce.jpg\" style=\"width: 100%; height: auto;\">\n\u003C\u002Fp>\n\n然后，您可以选择具体分析时间。\n\n\u003Cp align=\"center\">\n  \u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FFinStep-AI_ContestTrade_readme_d103259ab5b1.jpg\" style=\"width: 100%; height: auto;\">\n\u003C\u002Fp>\n\n验证完成后，您将会看到以下显示并进入运行界面。\n\n\u003Cp align=\"center\">\n  \u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FFinStep-AI_ContestTrade_readme_819afcfe8185.jpg\" style=\"width: 100%; height: auto;\">\n\u003C\u002Fp>\n\n所有Agent运行完成后可在结果摘要中查看Agent给出的信号。\n\n\u003Cp align=\"center\">\n  \u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FFinStep-AI_ContestTrade_readme_78a68661e082.jpg\" style=\"width: 100%; height: auto;\">\n\u003C\u002Fp>\n\n同时可以进一步选择查看详细的研究报告。\n\n\u003Cp align=\"center\">\n  \u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FFinStep-AI_ContestTrade_readme_d2972235cc1d.jpg\" style=\"width: 100%; height: auto;\">\n\u003C\u002Fp>\n\n\u003Cp align=\"center\">\n  \u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FFinStep-AI_ContestTrade_readme_d8898cb9091e.jpg\" style=\"width: 100%; height: auto;\">\n\u003C\u002Fp>\n\n或者您也可以选择查看详细的数据分析报告。\n\n\u003Cp align=\"center\">\n  \u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FFinStep-AI_ContestTrade_readme_78a510fbb050.jpg\" style=\"width: 100%; height: auto;\">\n\u003C\u002Fp>\n\n> 以上报告都会以Markdown格式保存在 `contest_trade\u002Fagents_workspace\u002Fresults` 目录下，方便您后续查看和分享。\n\n## 🌟 我们的愿景与路线图 (Vision & Roadmap)\n\n我们坚信AGI时代即将到来，我们希望能够借助开源社区的力量，探索AGI时代下量化交易的新范式。\n\n该项目致力于研发更完善的基础设施和更丰富的Agent，探索AI在金融交易的能力边界，打造一个稳定、可信、且能规模化扩展的Agent交易框架。\n\n### 项目路线图 (Roadmap)\n\n**V1.1 (已完成): 框架稳定性增强 & 核心体验优化**\n\n- [✓] 核心数据源模块解耦，实现多数据源的adaptor (`data-provider` refactor)\n- [✓] 优化CLI日志与交互体验\n\n**V2.0 (已完成): 市场与功能拓展**\n\n- [✓] 接入 **美股** 市场数据\n- [✓] 引入更丰富的因子与信号来源\n\n**未来规划:**\n\n- [ ] 支持港股及其他市场\n- [ ] 可视化回测与分析界面\n- [ ] 支持更多Agent的scale up\n\n## Contributing (贡献指南)\n\nContestTrade 是一个由社区驱动的开源项目，我们欢迎任何形式的贡献！\n\n如果您是开发者，可以参考我们的 **[贡献指南 (CONTRIBUTING.md)](CONTRIBUTING.md)** 成为ContestTrade的贡献者。\n\n我们同样珍视非代码形式的贡献，包括：\n\n* **提出功能建议或反馈Bug:** [前往 Issues 页面](https:\u002F\u002Fgithub.com\u002FFinStep-AI\u002FContestTrade\u002Fissues)\n* **反馈您的测试效果:** 包括测试结果、使用体验等。\n\n## Star History（社区关注）\n\n\u003Cdiv align=\"center\">\n  \u003Ca href=\"https:\u002F\u002Fstar-history.com\u002F#FinStep-AI\u002FContestTrade&Date\">\n    \u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FFinStep-AI_ContestTrade_readme_7d051e79b516.png\" alt=\"Star History Chart\" style=\"width: 80%;\">\n  \u003C\u002Fa>\n\u003C\u002Fdiv>\n\n## Disclaimer（风险声明）\n\n**重要声明:** 本项目 `ContestTrade` 是一个开源的量化交易Agent框架研究项目，仅供学术研究和教育目的使用。项目中包含的示例、数据和分析结果不构成任何形式的投资建议。\n\n**风险提示:**\n\n* **市场风险:** 本项目不构成任何形式的投资、财务、法律或税务建议。所有输出，包括交易信号和分析，均为基于历史数据的AI模型推演结果，不应被视为任何买卖操作的依据。\n* **数据准确性:** 框架使用的数据源可能存在延迟、不准确或不完整的情况。我们不对数据的可靠性做任何保证。\n* **模型幻觉:** AI模型（包括大型语言模型）存在固有的局限性和“幻觉”风险。我们不保证框架生成信息的准确性、完整性或及时性。\n* **责任自负:**  开发者不对任何因使用或无法使用本框架而导致的直接或间接损失承担任何责任。投资有风险，入市需谨慎。\n\n**在将本框架用于任何实际交易决策之前，请务必充分了解相关风险。**\n\n## Citation (引用)\n\n如果您在您的研究中使用了ContestTrade，请引用我们的论文：\n\n```bibtex\n@misc{zhao2025contesttrade,\n      title={ContestTrade: A Multi-Agent Trading System Based on Internal Contest Mechanism}, \n      author={Li Zhao and Rui Sun and Zuoyou Jiang and Bo Yang and Yuxiao Bai and Mengting Chen and Xinyang Wang and Jing Li and Zuo Bai},\n      year={2025},\n      eprint={2508.00554},\n      archivePrefix={arXiv},\n      primaryClass={q-fin.TR}\n}\n```\n\n## License (许可证)\n\n本项目采用 [Apache 2.0 License](LICENSE) 许可证。\n","\u003Cp align=\"center\">\n  \u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FFinStep-AI_ContestTrade_readme_0b0836394e6b.jpg\" style=\"width: 100%; height: auto;\">\n\u003C\u002Fp>\n\u003Cdiv align=\"center\" style=\"line-height: 1;\">\n  \u003Ca href=\"https:\u002F\u002Farxiv.org\u002Fabs\u002F2508.00554\" target=\"_blank\">\u003Cimg alt=\"arXiv\" src=\"https:\u002F\u002Fimg.shields.io\u002Fbadge\u002FarXiv-2508.00554-B31B1B?logo=arxiv\"\u002F>\u003C\u002Fa>\n  \u003Ca href=\"https:\u002F\u002Fopensource.org\u002Flicenses\u002FApache-2.0\" target=\"_blank\">\u003Cimg alt=\"License\" src=\"https:\u002F\u002Fimg.shields.io\u002Fbadge\u002FLicense-Apache_2.0-blue.svg\"\u002F>\u003C\u002Fa>\n  \u003Ca href=\"https:\u002F\u002Fwww.python.org\u002Fdownloads\u002Frelease\u002Fpython-3100\u002F\" target=\"_blank\">\u003Cimg alt=\"Python Version\" src=\"https:\u002F\u002Fimg.shields.io\u002Fbadge\u002FPython-3.10+-brightgreen.svg\"\u002F>\u003C\u002Fa>\n  \u003Ca href=\".\u002Fassets\u002Fwechat.png\" target=\"_blank\">\u003Cimg alt=\"WeChat\" src=\"https:\u002F\u002Fimg.shields.io\u002Fbadge\u002FWeChat-ContestTrade-brightgreen?logo=wechat&logoColor=white\"\u002F>\u003C\u002Fa>\n\u003C\u002Fdiv>\n\u003Cdiv align=\"center\">\n  \u003Ca href=\"README_en.md\">English\u003C\u002Fa> | \u003Ca href=\"README.md\">中文\u003C\u002Fa>\n\u003C\u002Fdiv>\n\n---\n\n# ContestTrade: 基于内部竞赛机制的多智能体交易系统\n\n**ContestTrade** 是一个创新的多智能体（Multi-Agent）交易框架，通过**ContestTrade** 您可以轻松的打造一支专属的AI交易团队。只需设定分析时刻，它能在无人工干预的情况下自主扫描全市场，从海量数据中挖掘潜在事件驱动型的投资机会，并通过内部优选机制，为您构建最值得信赖的投资组合。\n\n## Introduction (项目简介)\n\nContestTrade 是一个面向事件驱动选股的多智能体交易框架。系统目标是：在没有人工干预的条件下，自动发现、评估并跟踪具有投资价值的事件型机会，最终输出可执行的资产配置建议。\n\n**核心功能**：\n\n- **自动选股**：全市场扫描与信号生成，自动输出可交易的候选股票列表，无需人工逐一筛选。\n- **事件驱动**：以新闻、公告、资金流、政策等催化事件为触发，关注具有显著信息冲击的机会。\n- **个性化配置**：支持用户自定义智能体的研究偏好和策略，灵活适应不同投资风格。\n\n## Framework Overview (框架概览)\n\n\u003Cp align=\"center\">\n  \u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FFinStep-AI_ContestTrade_readme_a16fe8103348.jpg\" style=\"width: 90%; height: auto;\">\n\u003C\u002Fp>\n\nContestTrade 的工作流程通过一个结构化的双阶段管道来运作，模拟了投资公司的动态决策过程。这个双重竞赛框架确保了最终的决策只被最稳健、最有效的洞察所驱动，从而在复杂的市场中保持了强大的适应性和抗干扰能力。\n\n1. **数据处理阶段:** 首先，来自多个来源的原始市场数据被输入到**数据团队**。团队中的多个数据分析智能体 (Data Analysis Agents) 并行工作，将这些原始数据提炼成结构化的“文本因子”。在这一阶段，内部竞赛机制会评估每个数据智能体生成的因子的潜在价值，并构建出一个最优的“因子投资组合”。\n2. **研究决策阶段:** 这个最优的因子组合随后被传递给**研究团队**。团队中的多个研究员智能体 (Research Agents) 会基于各自独特的“交易信念” (Trading Beliefs) 和强大的金融工具集，对这些因子进行并行的深度分析，并各自提交交易提案。随后，第二轮内部竞赛会评估这些交易提案，并最终合成一个统一、可靠的资产配置策略作为最终输出。\n\n## Installation (安装)\n\n```bash\n# 1. 克隆项目仓库\ngit clone https:\u002F\u002Fgithub.com\u002FFinStep-AI\u002FContestTrade.git\ncd ContestTrade\n\n# 2. (推荐) 创建并激活虚拟环境\nconda create -n contesttrade python=3.10\nconda activate contesttrade\n\n# 3. 安装项目依赖\npip install -r requirements.txt\n\n```\n\n或克隆后修改配置，通过 [Docker](https:\u002F\u002Fdocs.n8n.io\u002Fhosting\u002Finstallation\u002Fdocker\u002F)启动:\n\n```\ndocker run -it --rm --name contest_trade -v $(pwd)\u002Fconfig.yaml:\u002FContestTrade\u002Fconfig.yaml finstep\u002Fcontesttrade:v2.0\n```\n\n## Configuration (配置)\n\n在运行ContestTrade之前，您需要配置必要的API密钥和LLM参数。\n\n编辑 `config.yaml` 文件，填入您的API密钥。下表列出了所有必需和可选的密钥：\n\n\u003Cdiv align=\"center\">\n\n| 配置项 (Key)     | 描述 (Description)    | 必需 (Required) |\n| :--------------- | :-------------------- | :-------------: |\n| `TUSHARE_KEY`  | Tushare 数据接口密钥  |       ❌       |\n| `BOCHA_KEY`    | Bocha 搜索引擎密钥    |       ❌       |\n| `SERP_KEY`     | SerpAPI 搜索引擎密钥  |       ❌       |\n| `LLM`          | 用于通用任务的LLM API |       ✅       |\n| `LLM_THINKING` | 用于复杂推理的LLM API |       ❌       |\n| `VLM`          | 用于视觉分析的VLM API |       ❌       |\n\n\u003C\u002Fdiv>\n\n> 注意：LLM API 和 VLM API 需要您自行申请，具体根据您使用的平台和模型填写URL、API Key以及模型名称。当前配置文件默认支持AKShare数据接口，您也可以自行配置Tushare接口及配套配置来获得更好的表现。\n\n## Preference (选股偏好)\n\n每个 Research Agent 对应一条“交易信念（belief）”，系统会根据这些信念并结合数据与工具生成投资信号（每条信念最多输出5个信号）。配置文件位于 `contest_trade\u002Fconfig\u002Fbelief_list.json`，其格式为一个 JSON 字符串数组。\n\n示例 1 — 偏好短期事件驱动（更激进）:\n\n```json\n[\n  \"专注于短期事件驱动机会：优先关注公司公告、并购重组、订单暴增、技术突破等催化事件；偏好中小市值、高波动的题材股，适合激进套利策略。\"\n]\n```\n\n示例 2 — 偏好稳健事件（更保守）:\n\n```json\n[\n  \"专注于稳健的确定性事件：关注分红、回购、业绩预告确认、重大合同落地和政策利好等；偏好大盘蓝筹、低波动、确定性高的标的，适合稳健配置。\"\n]\n```\n\n默认配置:\n\n```json\n[\n  \"基于提供的资讯内容综合考虑各公司的业务动态、行业趋势以及潜在的市场影响。为两个群体推荐接下来的交易日具有投资潜力的股票组合:群体1：风险偏好者（偏好波动率大、收益率高，中低市值的股票）;群体2：稳健投资者（偏好低波动率、稳定收益、高市值的股票）。\",\n  \"基于近期突发性事件、政策调整及企业公告等催化剂因素，结合市场情绪传导路径和资金博弈特征。为两类不同风格的投资者筛选事件驱动型机会：群体1：激进套利者（偏好重组预期、订单暴增、技术突破等强题材的小盘股）；群体2：防御套利者（偏好分红上调、大宗回购、特许经营权获取等确定性事件的蓝筹股）。需注意北向资金异动与龙虎榜机构席位动向形成的共振效应。\"\n]\n```\n\n说明（可选）：将您偏好的文本描述逐条加入 `contest_trade\u002Fconfig\u002Fbelief_list.json` 中，系统会为每条信念分别运行相应的 Research Agent 并输出信号。\n\n## Usage (使用方法)\n\n您可以通过命令行界面（CLI）轻松启动ContestTrade。\n\n```bash\npython -m cli.main run\n```\n\n程序启动后，您将进入终端交互式界面，可以选择您要分析的市场。\n\n\u003Cp align=\"center\">\n  \u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FFinStep-AI_ContestTrade_readme_4c451f5f52ce.jpg\" style=\"width: 100%; height: auto;\">\n\u003C\u002Fp>\n\n然后，您可以选择具体分析时间。\n\n\u003Cp align=\"center\">\n  \u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FFinStep-AI_ContestTrade_readme_d103259ab5b1.jpg\" style=\"width: 100%; height: auto;\">\n\u003C\u002Fp>\n\n验证完成后，您将会看到以下显示并进入运行界面。\n\n\u003Cp align=\"center\">\n  \u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FFinStep-AI_ContestTrade_readme_819afcfe8185.jpg\" style=\"width: 100%; height: auto;\">\n\u003C\u002Fp>\n\n所有Agent运行完成后可在结果摘要中查看Agent给出的信号。\n\n\u003Cp align=\"center\">\n  \u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FFinStep-AI_ContestTrade_readme_78a68661e082.jpg\" style=\"width: 100%; height: auto;\">\n\u003C\u002Fp>\n\n同时可以进一步选择查看详细的研究报告。\n\n\u003Cp align=\"center\">\n  \u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FFinStep-AI_ContestTrade_readme_d2972235cc1d.jpg\" style=\"width: 100%; height: auto;\">\n\u003C\u002Fp>\n\n\u003Cp align=\"center\">\n  \u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FFinStep-AI_ContestTrade_readme_d8898cb9091e.jpg\" style=\"width: 100%; height: auto;\">\n\u003C\u002Fp>\n\n或者您也可以选择查看详细的数据分析报告。\n\n\u003Cp align=\"center\">\n  \u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FFinStep-AI_ContestTrade_readme_78a510fbb050.jpg\" style=\"width: 100%; height: auto;\">\n\u003C\u002Fp>\n\n> 以上报告都会以Markdown格式保存在 `contest_trade\u002Fagents_workspace\u002Fresults` 目录下，方便您后续查看和分享。\n\n## 🌟 我们的愿景与路线图 (Vision & Roadmap)\n\n我们坚信AGI时代即将到来，我们希望能够借助开源社区的力量，探索AGI时代下量化交易的新范式。\n\n该项目致力于研发更完善的基础设施和更丰富的Agent，探索AI在金融交易的能力边界，打造一个稳定、可信、且能规模化扩展的Agent交易框架。\n\n### 项目路线图 (Roadmap)\n\n**V1.1 (已完成): 框架稳定性增强 & 核心体验优化**\n\n- [✓] 核心数据源模块解耦，实现多数据源的adaptor (`data-provider` refactor)\n- [✓] 优化CLI日志与交互体验\n\n**V2.0 (已完成): 市场与功能拓展**\n\n- [✓] 接入 **美股** 市场数据\n- [✓] 引入更丰富的因子与信号来源\n\n**未来规划:**\n\n- [ ] 支持港股及其他市场\n- [ ] 可视化回测与分析界面\n- [ ] 支持更多Agent的scale up\n\n## Contributing (贡献指南)\n\nContestTrade 是一个由社区驱动的开源项目，我们欢迎任何形式的贡献！\n\n如果您是开发者，可以参考我们的 **[贡献指南 (CONTRIBUTING.md)](CONTRIBUTING.md)** 成为ContestTrade的贡献者。\n\n我们同样珍视非代码形式的贡献，包括：\n\n* **提出功能建议或反馈Bug:** [前往 Issues 页面](https:\u002F\u002Fgithub.com\u002FFinStep-AI\u002FContestTrade\u002Fissues)\n* **反馈您的测试效果:** 包括测试结果、使用体验等。\n\n## Star History（社区关注）\n\n\u003Cdiv align=\"center\">\n  \u003Ca href=\"https:\u002F\u002Fstar-history.com\u002F#FinStep-AI\u002FContestTrade&Date\">\n    \u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FFinStep-AI_ContestTrade_readme_7d051e79b516.png\" alt=\"Star History Chart\" style=\"width: 80%;\">\n  \u003C\u002Fa>\n\u003C\u002Fdiv>\n\n## Disclaimer（风险声明）\n\n**重要声明:** 本项目 `ContestTrade` 是一个开源的量化交易Agent框架研究项目，仅供学术研究和教育目的使用。项目中包含的示例、数据和分析结果不构成任何形式的投资建议。\n\n**风险提示:**\n\n* **市场风险:** 本项目不构成任何形式的投资、财务、法律或税务建议。所有输出，包括交易信号和分析，均为基于历史数据的AI模型推演结果，不应被视为任何买卖操作的依据。\n* **数据准确性:** 框架使用的数据源可能存在延迟、不准确或不完整的情况。我们不对数据的可靠性做任何保证。\n* **模型幻觉:** AI模型（包括大型语言模型）存在固有的局限性和“幻觉”风险。我们不保证框架生成信息的准确性、完整性或及时性。\n* **责任自负:**  开发者不对任何因使用或无法使用本框架而导致的直接或间接损失承担任何责任。投资有风险，入市需谨慎。\n\n**在将本框架用于任何实际交易决策之前，请务必充分了解相关风险。**\n\n## Citation (引用)\n\n如果您在您的研究中使用了ContestTrade，请引用我们的论文：\n\n```bibtex\n@misc{zhao2025contesttrade,\n      title={ContestTrade: A Multi-Agent Trading System Based on Internal Contest Mechanism}, \n      author={Li Zhao and Rui Sun and Zuoyou Jiang and Bo Yang and Yuxiao Bai and Mengting Chen and Xinyang Wang and Jing Li and Zuo Bai},\n      year={2025},\n      eprint={2508.00554},\n      archivePrefix={arXiv},\n      primaryClass={q-fin.TR}\n}\n```\n\n## License (许可证)\n\n本项目采用 [Apache 2.0 License](LICENSE) 许可证。","# ContestTrade 快速上手指南\n\nContestTrade 是一个基于内部竞赛机制的多智能体交易框架，能够自动扫描市场、挖掘事件驱动型投资机会并生成资产配置建议。\n\n## 环境准备\n\n在开始之前，请确保您的系统满足以下要求：\n\n*   **操作系统**：Linux \u002F macOS \u002F Windows (WSL 推荐)\n*   **Python 版本**：3.10 或更高版本\n*   **包管理工具**：推荐使用 `conda` 管理虚拟环境，或使用 `pip`\n*   **API 密钥**：需准备大模型 API Key（必需），可选配置 Tushare、Bocha 或 SerpAPI 等数据\u002F搜索接口密钥。\n\n## 安装步骤\n\n### 1. 克隆项目\n```bash\ngit clone https:\u002F\u002Fgithub.com\u002FFinStep-AI\u002FContestTrade.git\ncd ContestTrade\n```\n\n### 2. 创建并激活虚拟环境\n推荐使用 conda 创建隔离环境：\n```bash\nconda create -n contesttrade python=3.10\nconda activate contesttrade\n```\n\n### 3. 安装依赖\n```bash\npip install -r requirements.txt\n```\n> **提示**：若下载速度较慢，可添加国内镜像源加速，例如：\n> `pip install -r requirements.txt -i https:\u002F\u002Fpypi.tuna.tsinghua.edu.cn\u002Fsimple`\n\n### 4. 配置 API 密钥\n编辑根目录下的 `config.yaml` 文件，填入您的 API 密钥。至少需要配置通用的 `LLM` 字段。\n\n```yaml\n# config.yaml 示例片段\nLLM:\n  api_key: \"your_llm_api_key_here\"\n  base_url: \"https:\u002F\u002Fapi.your-llm-provider.com\u002Fv1\"\n  model_name: \"gpt-4o\" # 或其他支持的模型\n\n# 可选配置\nTUSHARE_KEY: \"your_tushare_token\"\nBOCHA_KEY: \"your_bocha_key\"\n```\n\n## 基本使用\n\n配置完成后，即可通过命令行启动系统。\n\n### 1. 启动运行\n在项目根目录执行：\n```bash\npython -m cli.main run\n```\n\n### 2. 交互式操作\n程序启动后将进入终端交互界面：\n1.  **选择市场**：根据提示选择要分析的市场（如 A 股、美股）。\n2.  **设定时间**：输入或选择具体的分析日期\u002F时刻。\n3.  **自动运行**：系统将自动调度“数据团队”和“研究团队”的多智能体进行内部竞赛，生成因子并输出交易信号。\n\n### 3. 查看结果\n运行结束后，终端会展示信号摘要。详细的研究报告（Markdown 格式）将保存在以下目录：\n```text\ncontest_trade\u002Fagents_workspace\u002Fresults\n```\n您可以在该目录下查看具体的个股分析报告、数据分析报告及最终的投资组合建议。\n\n---\n*注：本项目仅供学术研究与教育目的，不构成任何投资建议。实际交易请务必谨慎评估风险。*","某量化私募团队希望在不增加人手的前提下，构建一套能自动捕捉突发新闻与公告带来的短期交易机会的系统。\n\n### 没有 ContestTrade 时\n- **信息过载难处理**：分析师需人工监控全网数千条公告与新闻，极易遗漏关键的“事件驱动”信号，导致错失最佳入场时机。\n- **策略执行不一致**：不同研究员对同一事件的解读受情绪影响大，且难以同时运行“激进套利”与“稳健配置”等多种风格策略。\n- **决策链条冗长**：从数据清洗、因子挖掘到最终生成交易建议，依赖人工串联各环节，耗时数小时甚至数天，无法适应高频变化的市场。\n- **缺乏优胜劣汰机制**：所有分析结果无论质量高低均被同等对待，劣质信号常干扰最终投资组合的稳定性。\n\n### 使用 ContestTrade 后\n- **全自动市场扫描**：ContestTrade 的数据智能体团队并行工作，7x24 小时自动将海量非结构化新闻转化为结构化“文本因子”，确保零遗漏捕捉催化事件。\n- **多风格策略并行**：通过配置不同的“交易信念”，系统能同时派出专属智能体，分别针对小盘题材股和大盘蓝筹股生成独立的投资信号，满足多样化需求。\n- **双阶段竞赛优选**：引入内部竞赛机制，先在数据层筛选最优因子组合，再在研究层评估交易提案，自动剔除低质量洞察，仅输出高置信度的资产配置建议。\n- **分钟级决策闭环**：从事件发生到输出可执行策略，全流程无人工干预且仅需数分钟，显著提升了对突发事件的响应速度与交易胜率。\n\nContestTrade 通过模拟专业投研团队的内部竞赛机制，将原本需要多人协作数天的工作压缩为分钟级的自动化决策，让事件驱动交易真正实现了规模化与智能化。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FFinStep-AI_ContestTrade_0b083639.jpg","FinStep-AI","https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002FFinStep-AI_160697c6.png","Building the foundational AI models and agents for a new era of Financial AGI.",null,"opensource@finstep.cn","https:\u002F\u002Ffinstep.cn\u002F","https:\u002F\u002Fgithub.com\u002FFinStep-AI",[81,85],{"name":82,"color":83,"percentage":84},"Python","#3572A5",99.9,{"name":86,"color":87,"percentage":88},"Dockerfile","#384d54",0.1,632,149,"2026-04-03T19:34:14","Apache-2.0","未说明 (支持 Docker，通常兼容 Linux\u002FmacOS\u002FWindows)","未说明 (依赖外部 LLM\u002FVLM API，本地无明确 GPU 训练或推理需求)","未说明",{"notes":97,"python":98,"dependencies":99},"1. 核心运行依赖外部大语言模型 (LLM) 和视觉语言模型 (VLM) 的 API 密钥，需在 config.yaml 中配置。2. 数据源默认支持 AKShare，可选配置 Tushare、Bocha 或 SerpAPI。3. 推荐使用 Conda 创建 Python 3.10 虚拟环境进行安装。4. 提供 Docker 启动方式以简化环境部署。5. 项目主要为多智能体框架，计算负载主要发生在调用的外部 API 端，本地主要消耗在于数据处理和流程调度。","3.10+",[100],"requirements.txt 中定义的依赖 (具体列表未在 README 中展示)",[13,14],"2026-03-27T02:49:30.150509","2026-04-08T04:02:57.718909",[105,110,115,120,125,130],{"id":106,"question_zh":107,"answer_zh":108,"source_url":109},23630,"新闻数据的来源是什么？开源版本和论文实验使用的数据源有何不同？","开源版本默认接入爬虫源以降低使用门槛；论文实验中使用的新闻数据来自 Tushare，其他如企业研报、公告等采用内部私有数据（因版权问题无法开源）。若需复现论文结果，需自行通过数据供应商 API 获取相关数据。","https:\u002F\u002Fgithub.com\u002FFinStep-AI\u002FContestTrade\u002Fissues\u002F79",{"id":111,"question_zh":112,"answer_zh":113,"source_url":114},23631,"运行时报错提示'Tushare 连接失败：抱歉，您没有接口访问权限'或'当前积分权限不够'，如何解决？","请拉取项目最新版本。新版本已移除对 Tushare 的强依赖，默认改用 AkShare 作为数据源，无需 Tushare 积分即可运行。若必须使用 Tushare，则需将账号积分提升至 2000 以上才能获得相应接口权限。","https:\u002F\u002Fgithub.com\u002FFinStep-AI\u002FContestTrade\u002Fissues\u002F39",{"id":116,"question_zh":117,"answer_zh":118,"source_url":119},23632,"如何快速部署该项目？是否有 Docker 支持？","项目支持 Docker 容器化部署。您可以先构建本地镜像：`docker build -t finstep\u002Fcontesttrade:v1.1 .`，然后运行以下命令启动容器（需自行维护 config.yaml 配置文件）：\n`docker run -it --rm --name contest_trade -v $(pwd)\u002Fconfig.yaml:\u002FContestTrade\u002Fconfig.yaml finstep\u002Fcontesttrade:v1.1`\n容器运行结果与本地环境一致。","https:\u002F\u002Fgithub.com\u002FFinStep-AI\u002FContestTrade\u002Fissues\u002F58",{"id":121,"question_zh":122,"answer_zh":123,"source_url":124},23633,"代码中是否实现了论文描述的“数据分析师竞赛（Data Analyst Contest）”机制？为什么主流程中没有包含？","该模块已在 `contest\u002Fdata_analyst\u002F` 目录下实现，并提供了预训练的 LightGBM 模型权重。但在开源版本的主流程中默认未启用，原因是该机制主要用于在因子数量巨大时进行筛选和压缩以适应 LLM 上下文限制。目前开源因子数量较少，直接传递所有因子能获得更好效果，因此暂不需要开启此竞争机制。此外，完整机制涉及部分私有数据源，受版权限制未在开源版完全开放。","https:\u002F\u002Fgithub.com\u002FFinStep-AI\u002FContestTrade\u002Fissues\u002F37",{"id":126,"question_zh":127,"answer_zh":128,"source_url":129},23634,"研究员竞赛中的权重优化逻辑是否与论文一致？是否使用了 LightGBM 模型进行预测？","当前开源版本并未完全实现论文中基于 LightGBM 的预测模型。目前的 `optimize_weights` 方法采用了一种启发式规则：结合共识得分（consensus_score）与代理过去 5 天的正历史回报来计算综合得分，以此过滤表现不佳的代理。未实现 LightGBM 模型是因为该机制的鲁棒性依赖于大量的研究 Agent 数量和巨大的算力消耗，团队优先致力于多市场适配及工程优化，后续版本可能会考虑加入该功能。","https:\u002F\u002Fgithub.com\u002FFinStep-AI\u002FContestTrade\u002Fissues\u002F36",{"id":131,"question_zh":132,"answer_zh":133,"source_url":134},23635,"除了 Tushare，项目还支持哪些数据源？","项目最新版本已增加对 AkShare 的支持，并将其设为默认数据源，用户无需配置 Tushare Key 或担心积分不足问题即可直接使用。","https:\u002F\u002Fgithub.com\u002FFinStep-AI\u002FContestTrade\u002Fissues\u002F43",[]]