@ -12,11 +12,24 @@ import os
import json import json
import time import time
import logging import logging
import hashlib
from typing import Dict , Any , Optional , Tuple from typing import Dict , Any , Optional , Tuple
import openai
from openai import OpenAI from openai import OpenAI
from config_openai import OPENAI_CONFIG , RATE_LIMITS try :
from config_openai import OPENAI_CONFIG , RATE_LIMITS
except Exception :
OPENAI_CONFIG = {
' api_key ' : os . environ . get ( ' OPENAI_API_KEY ' ) or os . environ . get ( ' OPENROUTER_API_KEY ' , ' ' ) ,
' model ' : os . environ . get ( ' OPENAI_MODEL ' , os . environ . get ( ' OPENROUTER_MODEL ' , ' gpt-4 ' ) ) ,
' timeout ' : int ( os . environ . get ( ' LLM_TIMEOUT ' , ' 60 ' ) ) ,
' max_tokens ' : int ( os . environ . get ( ' LLM_MAX_TOKENS ' , ' 3000 ' ) ) ,
' temperature ' : float ( os . environ . get ( ' LLM_TEMPERATURE ' , ' 0.7 ' ) )
}
RATE_LIMITS = {
' max_retries ' : int ( os . environ . get ( ' LLM_MAX_RETRIES ' , ' 3 ' ) ) ,
' retry_delay ' : int ( os . environ . get ( ' LLM_RETRY_DELAY ' , ' 2 ' ) )
}
# 設定日誌 # 設定日誌
logging . basicConfig ( level = logging . INFO ) logging . basicConfig ( level = logging . INFO )
@ -30,25 +43,18 @@ class PromptManager:
self . system_prompt = self . _get_system_prompt ( ) self . system_prompt = self . _get_system_prompt ( )
def _get_system_prompt ( self ) - > str : def _get_system_prompt ( self ) - > str :
""" 系統提示詞 """ """ 系統提示詞 - 定義基金經理人專家角色 """
return """ 你是一位經驗豐富的專業投資顧問，擁有超過15年的投資經驗和深厚的金融知識。 return """ 你是一位頂尖的基金經理人與投資策略師，擁有超過20年橫跨牛熊市的實戰經驗。你的專長是將複雜的金融數據轉化為清晰、易於理解的語言，為大眾投資者提供專業見解。
請基於提供的投資組合數據 ， 提供專業 、 客觀且實用的投資建議 。
你的溝通風格 ：
請從以下幾個面向進行分析 ： - * * 權威且親切 * * ： 你的語氣充滿自信與專業 ， 但同時讓非專業人士感到安心與信賴 。
1. 整體表現評估 （ 年化報酬 、 風險指標 ） - * * 教育家精神 * * ： 你會用生動的比喻來解釋關鍵指標 ， 例如將 「 夏普比率 」 比喻為投資的 「 性價比 」 ， 或將 「 最大回落 」 形容為 「 最顛簸的一段路 」 。
2. 風險收益特性分析 （ 夏普比率 、 最大回落 ） - * * 客觀中立 * * ： 你總是基於數據進行分析 ， 同時點出潛在的盲點與風險 。
3. 市場環境適配性評估
4. 具體的改進建議和操作建議 你的任務是根據接下來提供的策略回測數據 ， 撰寫一份專業的投資策略分析報告 。 """
5. 風險管理和再平衡建議
請確保你的回答 ：
- 專業且易懂 ， 避免過度技術術語
- 基於數據事實 ， 客觀分析
- 提供可操作的具體建議
- 考慮台灣市場的特殊性 （ 如果適用 ） """
def build_strategy_context ( self , strategy_data : Dict [ str , Any ] ) - > str : def build_strategy_context ( self , strategy_data : Dict [ str , Any ] ) - > str :
""" 將策略資料轉換為結構化context """ """ 將策略資料轉換為結構化context，並附帶指標提示 """
return f """ return f """
策略基本資訊 ： 策略基本資訊 ：
- 策略編號 ： { strategy_data . get ( ' id ' , ' N/A ' ) } - 策略編號 ： { strategy_data . get ( ' id ' , ' N/A ' ) }
@ -57,38 +63,101 @@ class PromptManager:
- 建立時間 ： { strategy_data . get ( ' date ' , ' N/A ' ) } - 建立時間 ： { strategy_data . get ( ' date ' , ' N/A ' ) }
- 建立者 ： { strategy_data . get ( ' username ' , ' N/A ' ) } - 建立者 ： { strategy_data . get ( ' username ' , ' N/A ' ) }
績效指標 ： 核心績效指標 ：
- 年化報酬率 ： { strategy_data . get ( ' annual_ret ' , 0 ) : .2 % } - 年化報酬率 ： { strategy_data . get ( ' annual_ret ' , 0 ) : .2 % } ( 衡量平均每年賺取多少利潤 )
- 年化波動率 ： { strategy_data . get ( ' vol ' , 0 ) : .2 % } - 年化波動率 ： { strategy_data . get ( ' vol ' , 0 ) : .2 % } ( 衡量資產價值的波動風險 ， 越高代表起伏越大 )
- 年化夏普比率 ： { strategy_data . get ( ' annual_sr ' , 0 ) : .2 f } - 年化夏普比率 ： { strategy_data . get ( ' annual_sr ' , 0 ) : .2 f } ( 衡量每一單位風險能換來多少報酬 ， 可視為 「 投資CP值 」 )
- 最大回落 （ MDD ） ： { strategy_data . get ( ' mdd ' , 0 ) : .2 % } - 最大回落 （ MDD ） ： { strategy_data . get ( ' mdd ' , 0 ) : .2 % } ( 衡量策略從最高點到最低點可能出現的最大虧損幅度 )
- Alpha值 ： { strategy_data . get ( ' alpha ' , 0 ) : .4 f }
- Beta值 ： { strategy_data . get ( ' beta ' , 0 ) : .4 f } 進階參考指標 ：
- VaR ( 10 % ) ： { strategy_data . get ( ' var10 ' , 0 ) : .2 % } - Alpha值 ： { strategy_data . get ( ' alpha ' , 0 ) : .4 f } ( 相對於市場基準的超額報酬能力 )
- R - squared ： { strategy_data . get ( ' r2 ' , 0 ) : .4 f } - Beta值 ： { strategy_data . get ( ' beta ' , 0 ) : .4 f } ( 與市場波動的關聯性 ， 大於1代表比市場更敏感 )
- Gamma值 ： { strategy_data . get ( ' gamma ' , 0 ) : .4 f } - VaR ( 10 天 , 95 % 信心 ) ： { strategy_data . get ( ' var10 ' , 0 ) : .2 % } ( 預估在未來10天內 ， 有95 % 的機率虧損不會超過此比例 )
- R - squared ： { strategy_data . get ( ' r2 ' , 0 ) : .4 f } ( 策略表現有多大比例可由市場表現來解釋 )
投資組合配置 ： 投資組合配置 ：
- 包含資產 ： { ' , ' . join ( strategy_data . get ( ' assets ' , [ ] ) ) } - 包含資產 ： { ' , ' . join ( strategy_data . get ( ' assets ' , [ ] ) ) }
- 市場類型 ： { ' 台灣市場 ' if strategy_data . get ( ' tw ' , True ) else ' 美國市場 ' } - 市場類型 ： { ' 台灣市場 ' if strategy_data . get ( ' tw ' , True ) else ' 美國市場 ' }
""" """
def get_investment_advice_prompt ( self , strategy_data : Dict [ str , Any ] ) - > str : def get_investment_advice_prompt ( self , strategy_data : Dict [ str , Any ] ,
""" 生成投資建議的完整Prompt """ use_cot : bool = False ,
context = self . build_strategy_context ( strategy_data ) use_v2 : bool = True ,
risk_tolerance : str = " moderate " ) - > str :
""" 生成結構化投資建議報告的完整Prompt - 使用外部模板
Args :
strategy_data : 策略數據
use_cot : 是否使用 Chain - of - Thought 模式 （ 預設 False ）
use_v2 : 是否使用 V2 Context - Aware Prompt （ 預設 True ， 推薦 ）
risk_tolerance : 風險承受度 ( conservative / moderate / aggressive )
Returns :
完整的 prompt 字串
"""
try :
# V2 Context-Aware Prompt (推薦，解決評價不一致問題)
if use_v2 :
from prompts . investment_advice_v2 import get_context_aware_prompt , get_simplified_context_prompt
logger . info ( f " Using V2 Context-Aware Prompt (CoT= { use_cot } , risk= { risk_tolerance } ) " )
if use_cot :
return get_context_aware_prompt ( strategy_data , risk_tolerance = risk_tolerance , use_cot = True )
else :
# 簡化版，但仍有 context
return get_simplified_context_prompt ( strategy_data )
# V1 Prompt (舊版，保留向後兼容)
elif use_cot :
# 使用 CoT 版本
from prompts . investment_advice_cot import get_cot_analysis_prompt
logger . info ( " Using V1 Chain-of-Thought prompt " )
return get_cot_analysis_prompt ( strategy_data )
else :
# 使用原版（結構化輸出）
from prompts . investment_advice import get_comprehensive_analysis_prompt
logger . info ( " Using V1 standard prompt " )
return get_comprehensive_analysis_prompt ( strategy_data )
except ImportError as e :
# 回退到內建模板
logger . warning ( f " Could not import prompts module ( { e } ), using built-in template " )
return self . _get_builtin_prompt ( strategy_data )
def _get_builtin_prompt ( self , strategy_data : Dict [ str , Any ] ) - > str :
""" 內建模板作為回退方案 """
context = self . build_strategy_context ( strategy_data )
return f """ { self . system_prompt } return f """ { self . system_prompt }
{ context } { context }
請提供詳細的投資建議分析 ， 包含 ： 請嚴格遵循以下結構 ， 為這份投資策略撰寫一份專業分析報告 ：
1. 整體表現評估 ： 該策略的強項和弱點
2. 風險評估 ： 當前風險水平的評價和建議 - - -
3. 市場適配性 ： 該策略在當前市場環境下的適配程度
4. 改進建議 ： 具體的可操作改進建議 ### **【投資策略總評：給您的執行摘要】**
5. 未來展望 ： 未來3 - 6 個月的投資建議 * 在這部分 ， 請用2 - 3 句話總結這個策略的核心特點與績效等級 。 直接點出它適合哪一種類型的投資者 。 *
請用繁體中文回答 ， 結構清晰 ， 建議具體可行 。 """ ### **【績效深度解析：白話解讀關鍵指標】**
* 在這部分 ， 請選擇2 - 3 個最重要的指標 （ 例如 ： 夏普比率 、 最大回落 ） ， 並用生動的比喻解釋它們在此策略中的意義 。 *
- * * 指標1 * * ： [ 指標名稱 ] - [ 用比喻解釋其表現 ]
- * * 指標2 * * ： [ 指標名稱 ] - [ 用比喻解釋其表現 ]
### **【策略的亮點與潛在風險】**
* 客觀分析此策略的優缺點 。 *
- * * 👍 亮點 ( Strengths ) * * ： [ 至少列出2點 ， 例如 ： 在特定市場環境下表現優異 、 風險控制得當等 ]
- * * 🤔 潛在風險 ( Weaknesses / Risks ) * * ： [ 至少列出2點 ， 例如 ： 資產過於集中 、 對利率變化敏感等 ]
### **【給您的具體投資建議】**
* 提供清晰 、 可執行的建議 。 *
1. * * 核心觀點 * * ： [ 明確指出 「 繼續持有 」 、 「 考慮調整 」 或 「 尋找替代方案 」 ]
2. * * 優化建議 * * ： [ 提出1 - 2 項具體優化方向 ， 例如 ： 「 可考慮納入 OOO 類型的資產以分散風險 」 或 「 建議將再平衡頻率調整為 X 個月一次 」 ]
3. * * 風險管理 * * ： [ 提醒投資者應該注意的市場訊號或事件 ]
### **【未來展望與提醒】**
* 提供一個前瞻性的總結 ， 並附上免責聲明 。 *
- - -
請用繁體中文回答 ， 確保報告結構完整 、 語氣專業且易於理解 。 """
class LLMInvestmentAdvisor : class LLMInvestmentAdvisor :
@ -96,56 +165,92 @@ class LLMInvestmentAdvisor:
def __init__ ( self , api_key : Optional [ str ] = None ) : def __init__ ( self , api_key : Optional [ str ] = None ) :
""" 初始化LLM服務 """ """ 初始化LLM服務 """
self . api_key = api_key or OPENAI_CONFIG [ ' api_key ' ] provider = os . environ . get ( ' LLM_PROVIDER ' , ' openai ' ) . lower ( )
base_url = None
default_headers = None
if provider == ' openrouter ' :
self . api_key = api_key or os . environ . get ( ' OPENROUTER_API_KEY ' ) or OPENAI_CONFIG . get ( ' api_key ' )
base_url = os . environ . get ( ' OPENROUTER_BASE_URL ' , ' https://openrouter.ai/api/v1 ' )
self . model = os . environ . get ( ' OPENROUTER_MODEL ' , OPENAI_CONFIG . get ( ' model ' , ' openrouter/auto ' ) )
default_headers = {
' HTTP-Referer ' : os . environ . get ( ' OPENROUTER_REFERER ' , ' ' ) ,
' X-Title ' : os . environ . get ( ' OPENROUTER_TITLE ' , ' TPM ' )
}
else :
self . api_key = api_key or os . environ . get ( ' OPENAI_API_KEY ' ) or OPENAI_CONFIG . get ( ' api_key ' )
self . model = os . environ . get ( ' OPENAI_MODEL ' , OPENAI_CONFIG . get ( ' model ' , ' gpt-4 ' ) )
if not self . api_key or self . api_key == ' your-api-key-here ' : if not self . api_key or self . api_key == ' your-api-key-here ' :
raise ValueError ( " OpenAI API key is required. Please set OPENAI_API_KEY environment variable. " ) raise ValueError ( " LLM API key is required. Please set OPENAI_API_KEY or OPENROUTER_API_KEY ." )
self . client = OpenAI ( self . client = OpenAI (
api_key = self . api_key , api_key = self . api_key ,
timeout = OPENAI_CONFIG . get ( ' timeout ' , 30 ) base_url = base_url ,
timeout = OPENAI_CONFIG . get ( ' timeout ' , 30 ) ,
default_headers = default_headers
) )
self . prompt_manager = PromptManager ( ) self . prompt_manager = PromptManager ( )
self . model = OPENAI_CONFIG . get ( ' model ' , ' gpt-4 ' )
self . max_tokens = OPENAI_CONFIG . get ( ' max_tokens ' , 2000 ) self . max_tokens = OPENAI_CONFIG . get ( ' max_tokens ' , 2000 )
self . temperature = OPENAI_CONFIG . get ( ' temperature ' , 0.7 ) self . temperature = OPENAI_CONFIG . get ( ' temperature ' , 0.7 )
# 快取設定 # 快取設定
self . cache : Dict [ str , Tuple [ str , float ] ] = { } self . cache : Dict [ str , Tuple [ str , float ] ] = { }
self . cache_timeout = 3600 # 1小時快取 self . cache_timeout = 3600 # 1小時快取
self . mock_mode = os . environ . get ( ' MOCK_LLM ' , ' false ' ) . lower ( ) in ( ' 1 ' , ' true ' , ' yes ' )
def _is_cache_valid ( self , cache_time : float ) - > bool : def _is_cache_valid ( self , cache_time : float ) - > bool :
""" 檢查快取是否有效 """ """ 檢查快取是否有效 """
return time . time ( ) - cache_time < self . cache_timeout return time . time ( ) - cache_time < self . cache_timeout
def generate_advice ( self , strategy_id : str , strategy_data : Dict [ str , Any ] ) - > str : def generate_advice ( self , strategy_id : str , strategy_data : Dict [ str , Any ] ,
use_cot : bool = False ,
use_v2 : bool = True ,
risk_tolerance : str = " moderate " ) - > str :
""" 生成投資建議 """ 生成投資建議
Args : Args :
strategy_id : 策略ID strategy_id : 策略ID
strategy_data : 策略資料字典 strategy_data : 策略資料字典
use_cot : 是否使用 Chain - of - Thought 模式 （ 預設 False ）
use_v2 : 是否使用 V2 Context - Aware Prompt （ 預設 True ）
risk_tolerance : 風險承受度 ( conservative / moderate / aggressive )
Returns : Returns :
str : 投資建議文本 str : 投資建議文本
""" """
cache_key = f " advice_ { strategy_id } _ { hash ( json . dumps ( strategy_data , sort_keys = True ) ) } " stable_payload = json . dumps ( strategy_data , sort_keys = True ) . encode ( ' utf-8 ' )
cache_digest = hashlib . sha256 ( stable_payload ) . hexdigest ( )
# 快取鍵包含版本和風險承受度資訊
cache_key = f " advice_ { strategy_id } _ { cache_digest } _v { 2 if use_v2 else 1 } _cot { use_cot } _risk { risk_tolerance } "
# 檢查快取 # 檢查快取
if cache_key in self . cache : if cache_key in self . cache :
advice , cache_time = self . cache [ cache_key ] advice , cache_time = self . cache [ cache_key ]
if self . _is_cache_valid ( cache_time ) : if self . _is_cache_valid ( cache_time ) :
logger . info ( f " Returning cached advice for strategy { strategy_id } " ) logger . info ( f " Returning cached advice for strategy { strategy_id } (V2= { use_v2 } , CoT= { use_cot } , risk= { risk_tolerance } ) )
return advice return advice
try : try :
# 構建prompt # 構建prompt（根據參數選擇版本）
prompt = self . prompt_manager . get_investment_advice_prompt ( strategy_data ) prompt = self . prompt_manager . get_investment_advice_prompt (
strategy_data ,
# 調用OpenAI API use_cot = use_cot ,
response = self . _call_openai_with_retry ( prompt ) use_v2 = use_v2 ,
risk_tolerance = risk_tolerance
)
# Mock 模式：不呼叫外部API
if self . mock_mode :
logger . info ( " MOCK_LLM enabled, returning fallback advice without external API call " )
response = self . _get_fallback_advice ( strategy_data )
else :
# 調用LLM API
response = self . _call_openai_with_retry ( prompt )
# 快取結果 # 快取結果
self . cache [ cache_key ] = ( response , time . time ( ) ) self . cache [ cache_key ] = ( response , time . time ( ) )
logger . info ( f " Generated new advice for strategy { strategy_id } " ) logger . info ( f " Generated new advice for strategy { strategy_id } (CoT= { use_cot } ) )
return response return response
except Exception as e : except Exception as e :
@ -184,58 +289,122 @@ class LLMInvestmentAdvisor:
return response . choices [ 0 ] . message . content . strip ( ) return response . choices [ 0 ] . message . content . strip ( )
except openai . RateLimitError as e : except Exception as e :
if attempt < max_retries - 1 : status_code = getattr ( e , ' status_code ' , None )
# 指數退避：1s, 2s, 4s is_rate_limited = status_code == 429 or ' rate limit ' in str ( e ) . lower ( )
wait_time = retry_delay * * attempt if attempt < max_retries - 1 and ( is_rate_limited or True ) :
logger . warning ( f " Rate limit exceeded, retrying in { wait_time } s... (attempt { attempt + 1 } / { max_retries } ) " )
time . sleep ( wait_time )
continue
else :
logger . error ( f " Rate limit exceeded after { max_retries } attempts " )
raise e
except openai . APIError as e :
if attempt < max_retries - 1 :
wait_time = retry_delay * * attempt wait_time = retry_delay * * attempt
logger . warning ( f " API error, retrying in { wait_time } s... (attempt { attempt + 1 } / { max_retries } ): { str ( e ) } " ) logger . warning ( f " LLM API error, retrying in { wait_time } s... (attempt { attempt + 1 } / { max_retries } ): { str ( e ) } " )
time . sleep ( wait_time ) time . sleep ( wait_time )
continue continue
else : logger . error ( f " LLM API error after { max_retries } attempts: { str ( e ) } " )
logger . error ( f " API error after { max_retries } attempts: { str ( e ) } " )
raise e
except Exception as e :
logger . error ( f " Unexpected error calling OpenAI: { str ( e ) } " )
raise e raise e
def _get_fallback_advice ( self , strategy_data : Dict [ str , Any ] ) - > str : def _get_fallback_advice ( self , strategy_data : Dict [ str , Any ] ) - > str :
""" 獲取fallback投資建議 """ """ 獲取fallback投資建議 - 使用原本的詳細 prompt 結構 """
try :
# 嘗試使用 prompts/investment_advice.py 的模板
from prompts . investment_advice import get_comprehensive_analysis_prompt
# 直接返回 prompt 作為 fallback（模擬 LLM 回覆的結構）
prompt = get_comprehensive_analysis_prompt ( strategy_data )
# 提取 prompt 中的策略數據部分，生成基本回覆
return self . _generate_basic_analysis ( strategy_data )
except ImportError :
return self . _generate_basic_analysis ( strategy_data )
def _generate_basic_analysis ( self , strategy_data : Dict [ str , Any ] ) - > str :
""" 生成基本分析（當無法調用 LLM 時） """
annual_ret = strategy_data . get ( ' annual_ret ' , 0 ) annual_ret = strategy_data . get ( ' annual_ret ' , 0 )
vol = strategy_data . get ( ' vol ' , 0 ) vol = strategy_data . get ( ' vol ' , 0 )
sharpe = strategy_data . get ( ' annual_sr ' , 0 ) sharpe = strategy_data . get ( ' annual_sr ' , 0 )
mdd = strategy_data . get ( ' mdd ' , 0 )
alpha = strategy_data . get ( ' alpha ' , 0 )
beta = strategy_data . get ( ' beta ' , 0 )
var = strategy_data . get ( ' var10 ' , 0 )
r2 = strategy_data . get ( ' r2 ' , 0 )
assets = strategy_data . get ( ' assets ' , [ ] )
# 評估表現等級
ret_level = " 優秀 " if annual_ret > 0.15 else " 良好 " if annual_ret > 0.08 else " 一般 " if annual_ret > 0 else " 需改善 "
risk_level = " 低風險 " if vol < 0.15 else " 中風險 " if vol < 0.25 else " 高風險 "
sharpe_level = " 優良 " if sharpe > 1.5 else " 良好 " if sharpe > 1.0 else " 一般 " if sharpe > 0.5 else " 需改善 "
return f """ return f """
基於您的投資策略數據 ， 我提供以下初步分析 ： ## 📊 策略總評
這是一個 { ret_level } 的投資策略 ， 年化報酬率達到 { annual_ret : .1 % } ， 屬於 { risk_level } 等級 。 策略的風險調整後報酬表現 { sharpe_level } ， 夏普比率為 { sharpe : .2 f } ， 顯示出 { " 良好 " if sharpe > 1.0 else " 一般 " } 的風險管理能力 。
## 📈 關鍵指標深度解析
### 💰 報酬表現
- * * 年化報酬率 * * ： { annual_ret : .2 % } - 這個報酬率在當前市場環境下表現 { ' 優異 ' if annual_ret > 0.12 else ' 良好 ' if annual_ret > 0.08 else ' 一般 ' } ， { ' 超越 ' if annual_ret > 0.1 else ' 接近 ' if annual_ret > 0.05 else ' 低於 ' } 市場平均水準
- * * 風險調整報酬 * * ： { sharpe : .2 f } - 夏普比率 { ' 超過1.0 ' if sharpe > 1.0 else ' 接近1.0 ' if sharpe > 0.8 else ' 低於1.0 ' } ， 表示每承擔一單位風險能獲得 { ' 良好 ' if sharpe > 1.0 else ' 一般 ' } 的超額報酬
### ⚠️
- * * 波動率 * * ： { vol : .2 % } - 年化波動率 { ' 較低 ' if vol < 0.15 else ' 適中 ' if vol < 0.25 else ' 較高 ' } ， 顯示策略的穩定性 { ' 良好 ' if vol < 0.2 else ' 一般 ' }
- * * 最大回落 * * ： { mdd : .2 % } - 最大虧損幅度 { ' 控制在合理範圍 ' if abs ( mdd ) < 0.1 else ' 需要關注 ' } ， 風險控制 { ' 得當 ' if abs ( mdd ) < 0.15 else ' 有待改善 ' }
- * * VaR ( 95 % ) * * ： { var : .2 % } - 在95 % 的信心水準下 ， 單日最大可能虧損為 { abs ( var ) : .2 % }
### 📊 市場關聯性
- * * Alpha值 * * ： { alpha : .4 f } - { ' 正向 ' if alpha > 0 else ' 負向 ' } 超額收益 ， 顯示策略 { ' 優於 ' if alpha > 0 else ' 弱於 ' } 市場基準表現
- * * Beta值 * * ： { beta : .2 f } - 策略與市場的關聯性 { ' 較高 ' if beta > 1.1 else ' 適中 ' if beta > 0.9 else ' 較低 ' } ， 市場波動1 % 時 ， 策略預期波動 { beta : .2 f } %
- * * R - squared * * ： { r2 : .2 % } - 策略表現有 { r2 : .1 % } 可由市場變動解釋
## 🎯 策略優劣分析
### 👍 亮點優勢
- * * 風險調整報酬 { ' 優異 ' if sharpe > 1.5 else ' 良好 ' if sharpe > 1.0 else ' 一般 ' } * * ： 夏普比率 { sharpe : .2 f } 顯示策略在控制風險的同時能創造 { ' 優質 ' if sharpe > 1.5 else ' 良好 ' if sharpe > 1.0 else ' 基本 ' } 的報酬
- * * 資產配置 { ' 合理 ' if len ( assets ) > 3 else ' 需強化 ' } * * ： 包含 { len ( assets ) } 個標的 ， { ' 有效 ' if len ( assets ) > 5 else ' 適度 ' if len ( assets ) > 3 else ' 需增加 ' } 分散投資風險
- * * 市場適應性 * * ： Alpha值 { alpha : .4 f } 顯示策略 { ' 具有 ' if alpha > 0 else ' 缺乏 ' } 超額收益能力
### 🤔 潛在風險
- * * 市場敏感度 * * ： Beta值 { beta : .2 f } 表示策略 { ' 高度 ' if beta > 1.2 else ' 適度 ' if beta > 0.8 else ' 低度 ' } 受市場波動影響
- * * 回檔風險 * * ： 最大回落 { mdd : .2 % } 顯示在極端市場情況下可能面臨 { ' 較大 ' if abs ( mdd ) > 0.2 else ' 中等 ' if abs ( mdd ) > 0.1 else ' 有限 ' } 的虧損
- * * 集中度風險 * * ： 需要 { ' 特別 ' if len ( assets ) < 5 else ' 持續 ' } 關注資產配置是否過於集中在特定行業或地區
📊 * * 表現評估 * * ： ## 💡 具體投資建議
- 年化報酬率 ： { annual_ret : .2 % } - { ' 表現良好 ' if annual_ret > 0.1 else ' 有改進空間 ' }
- 年化波動率 ： { vol : .2 % } - { ' 風險適中 ' if vol < 0.2 else ' 風險較高 ' }
- 夏普比率 ： { sharpe : .2 f } - { ' 風險調整後報酬優良 ' if sharpe > 1 else ' 有改進空間 ' }
💡 * * 初步建議 * * ： ### 1. 核心觀點
1. 持續監控市場變化 * * 建議 * * ： { ' ✅ 繼續持有並定期調整 ' if annual_ret > 0.1 and sharpe > 1.0 else ' ⚠️ ' if annual_ret > 0.05 else ' ❌ 需要重新評估策略 ' }
2. 定期檢視投資組合配置
3. 考慮分散投資降低風險
* 注意 ： 此為預設建議 ， 如需詳細分析請稍後再試 。 * * * 理由 * * ：
- 報酬表現 { ' 符合 ' if annual_ret > 0.08 else ' 未達 ' } 預期目標
- 風險控制 { ' 良好 ' if sharpe > 1.0 else ' 需要改善 ' }
- 市場適應性 { ' 優異 ' if alpha > 0.02 else ' 適中 ' if alpha > 0 else ' 不佳 ' }
### 2. 優化方向
- * * 資產配置調整 * * ： 可考慮納入更多 { ' 防禦性資產（如公債、公用事業） ' if vol > 0.2 else ' 成長性資產（如科技股、新興市場） ' } 以 { ' 降低整體風險 ' if vol > 0.2 else ' 提升報酬潛力 ' }
- * * 再平衡頻率 * * ： 建議將再平衡頻率調整為 { ' 每月 ' if vol > 0.25 else ' 每季度 ' if vol > 0.15 else ' 每半年 ' } 一次 ， 以適應市場變化
- * * 風險暴露管理 * * ： { ' 考慮降低 ' if beta > 1.2 else ' 可適度提高 ' if beta < 0.8 else ' 維持當前 ' } 市場Beta暴露
### 3. 風險管理
- * * 止損設定 * * ： 建議設定止損點在 { abs ( mdd ) * 1.3 : .1 % } （ 當前最大回落的1 .3 倍 ） ， 避免過大虧損
- * * 倉位控制 * * ： 在市場波動加劇時 ， { ' 建議降低倉位至70-80 % ' if vol > 0.25 else ' 可維持滿倉 ' if vol < 0.15 else ' 維持80-90 % 倉位 ' }
- * * 監控指標 * * ：
- 持續關注VaR指標 ， 當VaR超過 { abs ( var ) * 1.5 : .2 % } 時應考慮降低風險
- 密切追蹤市場波動性變化 （ VIX指數等 ）
- 定期檢視Alpha表現 ， 確保策略持續創造超額收益
## 🔮 未來展望
基於當前市場環境和策略表現 ， 預期未來3 - 6 個月內 ：
- * * 報酬預期 * * ： 策略將維持 { ' 穩定增長 ' if sharpe > 1.2 else ' 波動 ' if sharpe > 0.8 else ' 震盪 ' } 表現 ， 年化報酬率預計在 { annual_ret * 0.8 : .1 % } 至 { annual_ret * 1.2 : .1 % } 之間
- * * 風險展望 * * ： 市場波動性 { ' 可能上升 ' if vol > 0.2 else ' 預期維持穩定 ' } ， 建議投資者 { ' 提高警覺 ' if vol > 0.2 else ' 保持耐心 ' }
- * * 調整建議 * * ： 定期檢視 （ 建議每 { ' 月 ' if vol > 0.25 else ' 季度 ' } 一次 ） 並適時調整 ， 以應對市場變化
### 關鍵提醒
⚠ ️ * * 免責聲明 * * ： 此為基於歷史數據的模擬分析結果 ， 過去績效不代表未來表現 。 實際投資請謹慎評估個人風險承受能力 ， 並建議諮詢專業投資顧問 。
📝 * * 行動建議 * * ：
1. 定期監控策略表現 （ 建議每週檢視一次 ）
2. 設定明確的投資目標和停損點
3. 保持投資組合的靈活性 ， 適時調整
4. 持續學習市場動態 ， 提升投資判斷力
* 本分析報告生成於 { strategy_data . get ( ' name ' , ' N/A ' ) } 策略 ， 僅供參考 。 *
""" """
def clear_cache ( self ) : # Duplicate clear_cache removed
""" 清除快取 """
self . cache . clear ( )
self . generate_advice . cache_clear ( )
logger . info ( " LLM advice cache cleared " )
# 創建全域實例 # 創建全域實例
Eric0801