Trading_Agents_for_Futures

期货六维分析数据引擎。两种运行模式： (1) 数据模式：python main.py -s RB → 结构化 JSON 指标 + data_gap_report（数据缺口报告 + AI 搜索指令） (2) 决策模式：python main.py -s RB --decision → 指标 + 数据来源追溯 + 多空辩论 + 风控 + CIO决策报告零 API Key，纯规则引擎。API 缺失时自动生成 search_actions，AI Agent 可按 fillability 回填 ai_fill 槽位。

7haoge@haoge10241024

Install

openclaw skills install @haoge10241024/trading-agents-for-futures

Trading_Agents_for_Futures — 期货分析数据引擎

你是哪种用户？根据你的身份选择对应模式。

如果你	用这个命令	你会得到
是 AI Agent（Kimi/Claude/GPT-4 等），需要结构化数据自己分析判断	`python main.py -s RB`	纯指标 JSON（MA/MACD/RSI/Z-score/净持仓...），无方向判断
是人类交易者，需要直接看"多空辩论报告 + 操作建议"	`python main.py -s RB --decision`	指标数据 + 口语化多空辩论 + 裁判长裁决 + 仓位/止损建议

快速开始

bash

# 默认：数据模式（给 AI Agent 用）
python main.py -s RB

# 决策模式：辩论 + 风控 + CIO 建议（给人类看）
python main.py -s RB --decision

# 批量分析多个品种
python main.py -s RB,CU,M

# 全市场扫描 38 个品种
python main.py -s ALL

执行后输出纯 JSON（字段含义见下文）。首次运行会自动下载约 1 年历史数据，耗时 5~10 分钟；后续秒级。

输出 JSON 结构

json

{
  "symbol": "RB",
  "timestamp": "2026-05-14T15:43:59",
  "success": true,
  "analysis_details": {
    "technical_analysis": {
      "close": 3257.0,
      "MA5": 3266.8,
      "MA20": 3192.1,
      "MA60": 3131.7,
      "EMA20": 3207.3,
      "MACD": 37.8,
      "MACD_Signal": 30.8,
      "MACD_Hist": 7.0,
      "RSI14": 70.5,
      "BB_Upper": 3312.0,
      "BB_Middle": 3192.1,
      "BB_Lower": 3072.1,
      "ATR14": 30.2,
      "VOL_MA20": 685669,
      "OI_delta": -49216,
      "trend_20d": "up",
      "change_20d_pct": 5.1,
      "data_points": 245
    },
    "basis_analysis": {
      "spot_price": 3280.0,
      "futures_price": 3260.0,
      "current_basis": -20.0,
      "basis_pct": -0.6,
      "basis_zscore_180d": -0.8,
      "structure": "backwardation"
    },
    "term_structure_analysis": {
      "front_contract": "RB2605",
      "back_contract": "RB2704",
      "front_price": 3150,
      "back_price": 3307,
      "spread": 157,
      "spread_pct": 5.0,
      "structure": "contango"
    },
    "inventory_analysis": {
      "latest_inventory": 520000,
      "inv_change_wow": 0.7,
      "inv_change_mom": -2.3,
      "inv_zscore_180d": 1.6,
      "latest_warehouse_receipt": 82000,
      "wr_change_5d": 1500
    },
    "positioning_analysis": {
      "net_position": -3367,
      "net_change": -3466,
      "concentration_idx": 0.0068,
      "top20_long": 245143,
      "top20_short": 241185,
      "top20_long_pct": 0.5041,
      "top20_members_count": 20
    },
    "news_analysis": {
      "total_news_count": 10,
      "bullish_news_count": 1,
      "bearish_news_count": 0,
      "neutral_news_count": 9,
      "sentiment_ratio": 0.1
    }
  }
}

输出是纯指标字典，不含任何方向判断、置信度评分、辩论文本。 每个 skill 的本地规则逻辑（_rule_based_signal）仍在内部运行但不对外暴露。

六大分析维度 & 方法论框架

你是 AI 分析师，以下是你可以用来解读数据的完整方法论。

一、技术面分析 (`technical_analysis`)

数据指标： close, MA5/MA20/MA60, EMA20, MACD/Signal/Hist, RSI14, BB_Upper/Middle/Lower, ATR14, VOL_MA20, OI_delta, trend_20d, change_20d_pct

分析框架（你需要做的）：

均线系统判断： 价格 > MA20 → 多头格局；价格 < MA20 → 空头格局。MA5 > MA20 > MA60 → 多头排列，趋势强势。MA5 < MA20 < MA60 → 空头排列。
趋势强度评估： MACD > Signal 且 Hist > 0 → 动能偏多；MACD < Signal 且 Hist < 0 → 动能偏空。change_20d_pct 反映近期趋势方向和幅度。
超买超卖识别： RSI > 70 → 超买，回调风险；RSI < 30 → 超卖，反弹可能。RSI > 80 视为极度超买/超卖。
布林带位置： 价格接近 BB_Upper → 高估/阻力；接近 BB_Lower → 低估/支撑。
波动率评估： ATR14 / close 的比值衡量波动率。>2% 为高波动，<1% 为低波动。
量仓配合： 价格涨 + 持仓增 → 多头主动；价格涨 + 持仓减 → 空头回补。偏离 5 万手以上视为显著变化。

二、基差分析 (`basis_analysis`)

数据指标： spot_price, futures_price, current_basis, basis_pct, latest_basis, basis_zscore_180d, basis_slope_20d, structure(contango/backwardation/flat)

分析框架（你需要做的）：

基差率绝对判断： basis_pct > 5% → 期货大幅升水(Contango)，现货供应充裕，偏空。basis_pct < -5% → 期货大幅贴水(Backwardation)，现货偏紧，偏多。±2% 以内视为合理区间。
历史分位判断： Z-score > 2 → 基差处于历史极高（期货升水极端），回归压力大。Z-score < -2 → 历史极低（现货升水极端）。
基差趋势： slope_20d > 0 → 基差走强（现货相对走强），偏多。slope_20d < 0 → 基差走弱（期货相对走强），偏空。
期限结构与基差联动： Backwardation + 基差 Z-score 低位 → 现货紧张信号加强。Contango + 基差 Z-score 高位 → 库存充裕信号加强。

三、期限结构分析 (`term_structure_analysis`)

数据指标： structure(contango/backwardation/flat), front_contract/back_contract, front_price/back_price, spread, spread_pct, carry_score, 各合约间价差(spread_xxx)

分析框架（你需要做的）：

结构类型判断： Contango（远月 > 近月）→ 库存充裕、持有成本定价、偏空；Backwardation（近月 > 远月）→ 现货紧张、便利收益 > 持有成本、偏多。
展期收益： Contango → 多头展期亏损（展期收益为负），空头有利；Backwardation → 多头展期获利（展期收益为正），多头有利。
价差幅度解读： spread_pct > 5% → 结构信号强烈。spread_pct < 2% → 结构信号弱，市场可能平坦。
Full Carry 理论验证： 实际价差 > 理论 Full Carry → 存在仓储利润空间，库存意愿强 → 偏空。实际价差 < Full Carry → 供给不足信号 → 偏多。
跨合约价差异常： 某两个合约间价差异常放大 → 可能存在结构性供需扭曲，需要结合品种特性判断。

四、库存仓单分析 (`inventory_analysis`)

数据指标： latest_inventory(吨), inv_change_wow(%), inv_change_mom(%), inv_zscore_180d, latest_warehouse_receipt(吨), wr_change_5d(吨)

分析框架（你需要做的）：

历史分位（Z-score）是核心信号： Z > 2.5 → 库存历史极高，供给严重过剩，强看空。Z > 1.5 → 偏高，偏空。Z < -2.5 → 库存历史极低，供给紧张，强看多。Z < -1.5 → 偏低，偏多。±0.5 附近 → 供需平衡。
周度变化反映边际变化： WoW > 15% → 短期供给激增，利空。WoW < -15% → 快速去库，利多。注意节假日和交割前后可能出现的异常值。
月度变化反映趋势： MoM > 20% → 月度累库趋势，偏空。MoM < -20% → 趋势性去库，偏多。
仓单变化补充验证： 仓单增加 + 库存增加 → 可交割品充裕，空头交货方便。仓单减少 + 库存低位 → 虚实盘比高，近月逼仓风险。
库存周期理论： 库存高位 + 价格低位 → 被动去库初期；库存低位 + 价格高位 → 被动累库初期。结合价格判断周期阶段。
投机性库存 vs 真实消费： 若库存增加伴随价格下跌 → 可能是被动累库（需求弱），信号更偏空。

五、持仓席位分析 (`positioning_analysis`)

数据指标： net_position(手), net_change(手), concentration_idx, top20_long(手), top20_short(手), top20_long_pct, top20_short_pct, data_points, key_players(可选的乾坤/摩根等外资席位标记)

分析框架（你需要做的）：

A. 蜘蛛网策略 —— 捕捉"聪明钱"动向

基于前 20 名会员持仓变动数据追踪机构资金意图：

蜘蛛网信号判断（核心）：
- 多头增仓 + 空头减仓（dB>0, dS<0）→ 强烈看多，机构主动进攻
- 多头减仓 + 空头增仓（dB<0, dS>0）→ 强烈看空，机构撤离
- 多空同向 → 需结合净变化量判断。净变化 > +5000 → 偏多；< -5000 → 偏空
净持仓绝对值： net > 10000 → 机构明显看涨。3000~10000 → 偏多。负值同理反向。
净持仓变化量： net_change > 8000 → 资金积极做多（强烈信号）。net_change < -8000 → 积极做空。±3000 以内正常波动。

B. 聪明钱分析

前 20 会员多空比： long_pct > 65% → 主力一致看多（注意拥挤风险）。< 35% → 主力一致看空。45%~55% → 多空均衡。
持仓效率（OI/Volume）： OI/Volume 高 → 机构深度参与，信号可信度↑。OI/Volume 低 → 散户主导，信号噪音多。
关键玩家追踪： 如果 key_players 字段出现了"乾坤""摩根""永安"等外资或顶级席位，这些席位的动向权重应额外加 0.2x（因为这些席位通常代表产业套保或宏观对冲资金，准确率更高）。

C. 持仓集中度分析（HHI指数）

concentration_idx 解读： > 0.3 → 高集中度，持仓集中在少数席位，方向性风险极大（一方拥挤随时可能反转）。< 0.1 → 高度分散，市场无单边共识。
多空集中度差异： 如果多头集中度 >> 空头集中度 → 多头拥挤在少数席位，一旦撤退将引发踩踏。空头集中度 >> 多头 → 轧空风险。
集中度趋势： 集中度连续上升 → 方向共识加强（同向信号）。集中度突然下降 → 主力分歧加大（反转预警）。

D. 散户反向策略

如果前 20 会员极端偏多，但成交量萎缩 → 机构锁仓，散户追涨接盘 → 偏空信号。
如果前 20 会员极端偏空，但成交量萎缩 → 机构锁仓，散户恐慌抛售 → 偏多信号。
散户席位（成交量小但数量多的席位）动向与前 20 相反 → 反向指标确认。

E. 拥挤度风险策略

前 20 极度偏多（>70%）+ 价格在60日高位 → 多头拥挤，回调风险↑
前 20 极度偏空（<30%）+ 价格在60日低位 → 空头拥挤，轧空风险↑
拥挤度 > 0.3 + 持仓量创60日新高 → 极端拥挤信号，应降低仓位

六、新闻情绪分析 (`news_analysis`)

数据指标： total_news_count, bullish_news_count, bearish_news_count, neutral_news_count, sentiment_ratio

分析框架（你需要做的）：

情绪比率： sentiment_ratio > 0.2 → 利多新闻占优势。> 0.5 → 强烈偏多。< -0.2 → 利空。<-0.5 → 强烈偏空。
新闻总量： total < 5 → 信息不足，此维度权重应降低。> 20 → 信息充裕，可信度高。
中性占比： neutral > 60% → 市场缺乏明确方向，情绪以观望为主。

核心原则：诚实比完整更重要

API 拿不到的，诚实地标出来。能搜的搜，搜不到的不编。

text

         ┌─ API 命中     ──→ 输出数据，标记 data_source: "api"
数据需求 ─┤
         └─ API 失败      ──→ 生成 data_gap_report ──→ fillable? ──→ AI 搜 → 回填 ai_fill (参与评分)
                                                    ──→ direction_only? ──→ AI 搜 → 回填 ai_fill (×0.30~0.50 降权)
                                                    ──→ 每次搜不到    ──→ 标 status: "empty"，权重保持 0

硬数据（不能编）

价格、持仓手数、库存吨数、基差数值。这些数字必须来自 API 或官方来源。 不能编造。

软数据（AI 搜）

新闻事件、政策变化、天气影响、地缘风险、行业开工率。

data_gap_report 工作流（核心）

当 coverage.available < coverage.total 时，输出 JSON 的顶层包含 data_gap_report：

json

{
  "data_gap_report": {
    "total_gaps": 2,
    "summary": {"fillable": 1, "direction_only": 1, "not_fillable": 0},
    "gaps": [
      {
        "skill": "news_analysis",
        "skill_cn": "新闻情绪",
        "fillability": "fillable",
        "ai_fill_weight_multiplier": 0.90,
        "search_actions": [
          {"query": "JD 鸡蛋 期货 新闻 2026年5月", "source": "web", "priority": "high"}
        ],
        "ai_fill_schema": {
          "fields": ["bullish_news_count", "bearish_news_count", "sentiment_ratio"],
          "cannot_fill": []
        }
      },
      {
        "skill": "term_structure_analysis",
        "skill_cn": "期限结构",
        "fillability": "direction_only",
        "ai_fill_weight_multiplier": 0.30,
        "search_actions": [
          {"query": "JD 期货 期限结构 contango backwardation", "source": "web", "priority": "high"}
        ],
        "ai_fill_schema": {
          "fields": ["structure"],
          "cannot_fill": ["contracts", "prices", "spread_pct"]
        }
      }
    ]
  }
}

你（AI Agent）需要做的

解析 data_gap_report，对每个 gap 执行 search_actions 中的搜索
按 ai_fill_schema 回填到对应 analysis_details[skill].ai_fill：

json

"ai_fill": {
  "filled_at": "2026-05-18T12:00:00",
  "source": "web_search",
  "fillability_tier": "fillable",
  "weight_multiplier": 0.90,
  "confidence": "high",
  "data": {
    "bullish_news_count": 3,
    "bearish_news_count": 1,
    "sentiment_ratio": 0.2
  },
  "urls": ["https://...来源URL..."],
  "note": "搜索结果摘要"
}

cannot_fill 中的字段绝不要编造（如期限结构的 spread_pct）
weight_multiplier 从 gap 中的 ai_fill_weight_multiplier 复制

AI 搜索执行指南

触发条件

当任何维度的 analysis_details 中出现以下信号时，你（AI Agent）必须立即启动搜索：

信号	含义	行动
`"data_source": "insufficient"`	API 有数据但太弱	搜索补充，API 和 AI 搜索结果合并输出
`"status": "empty"`	API 完全无数据	AI 搜索成为该维度唯一数据源
`"soft_data_hint"` 字段存在	该维度给了搜索指引	按指引关键词搜索
`coverage.available < coverage.total`	有维度缺失	检查缺失维度并搜索

各品类搜索关键词

品类	搜索模板	重点关注
黑色系(RB/HC/I/J/JM)	`{品种名} {月份}月 2026 期货库存开工率政策检修`	Mysteel、钢厂检修、房地产政策、铁矿石发运
贵金属(AU/AG)	`沪{金/银} {月份}月 2026 COMEX库存美联储地缘光伏需求`	COMEX/上金所库存、CFTC持仓、避险事件、工业需求
有色金属(CU/AL/ZN)	`沪{铜/铝/锌} {月份}月 2026 库存 LME 升贴水矿端`	三大交易所库存、TC/RC、矿端停产
农产品(M/RM/Y/CF/SR)	`{豆粕/菜粕/豆油/白糖} {月份}月 2026 进口天气库存 USDA`	USDA报告、海关数据、压榨利润、天气模型
能源化工(SC/FU/MA/TA/PP)	`{品种} {月份}月 2026 开工率装置检修港口库存 OPEC`	装置动态、开工率、港口库存、原油政策

搜索要求

按时间排序，优先 48 小时内信息
每条标注来源网址和发布日期
绝不编造数字
拿不准的信息，明确标注"未经核实"

搜索后输出格式

搜索完成后，将搜索结果合并入对应维度的 JSON：

json

"inventory_analysis": {
  "data_source": "mixed",
  "api": {
    "status": "N/A",
    "reason": "AKShare 不支持 AG 库存数据"
  },
  "ai_search": {
    "search_query": "沪银 库存 上金所 注册仓单 2026年5月",
    "content_count": 8,
    "key_findings": [
      "上金所白银库存 1,782 吨，环比-3.2%（来源：上金所官网，5月16日）",
      "COMEX 白银库存 11,200 吨（来源：CME Group，5月15日）"
    ],
    "assessment": "库存处于中等偏低水平，对银价构成支撑"
  }
}

数据缺失处理

情况	处理
API 有数但不足（quality: insufficient）	API 数据 + AI 搜索补充，`data_gap_report` 标记为 `fillable`
API 完全无数（status: empty）	`data_gap_report` 标记为 `direction_only` 或 `fillable`，AI 搜索按 `ai_fill_schema` 回填
AI 搜索也找不到	`ai_fill.data` 留空，`confidence: "low"`，维度降权
最终仍有维度缺失	该维度 `weight × 0`，不参与 scoring

fillability 分级

级别	含义	AI 搜索后评分权重	示例
`fillable`	公开信息充足，可补全大部分字段	×0.75~0.90	新闻情绪(0.90)、基差(0.75)
`direction_only`	只能拿定性方向，Z-score/精确数字不可补	×0.30~0.50	库存方向(0.50)、期限结构(0.30)、持仓(0.30)
`not_fillable`	保留分类，当前版本所有维度均可搜索	×0	—

数据来源标注规范

输出中每个维度都有数据来源和时效标记。

标记	含义	AI Agent 应对
`data_source: "api"`	来自 AkShare 实时数据接口	直接使用
`data_source: "api_fallback"`	API 当日不可用，自动回退至前一交易日	查看 `data_gap_report`，确认是否需要 AI 搜索验证
`data_source: "api_all_neutral"`	关键词匹配全部判定为中性	按 `data_gap_report` 中的 `search_actions` 搜索补充
`data_source: "insufficient"`	样本不足	按 `ai_fill_schema` 回填到 `ai_fill` 槽位
`data_quality: "stale"`	数据过期回退	辩论中权重自动折半
`data_quality: "low_value"`	全中性/低质量	辩论中权重自动 ×0.3

所有数字必须是 JSON 原生类型，不能是 numpy/pandas 特殊类型。

综合决策框架

四维动态权重系统

本引擎内部使用四维动态权重（品种品类 × 置信度 Sigmoid × 市场状态自适应 × 数据质量折损）：

品类	核心驱动模块
黑色系(RB/HC/I/J/JM)	库存(1.3x) > 持仓(1.2x) > 技术面(1.0x)
贵金属(AU/AG)	技术面(1.3x) > 持仓(1.2x) > 新闻(1.1x)
有色金属(CU/AL/ZN/NI)	期限结构(1.2x) > 基差(1.1x) > 库存(1.1x)
化工(MA/TA/EG/PP等)	基差(1.2x) > 期限结构(1.2x) > 技术面(1.0x)
农产品(M/RM/Y/CF/SR/JD等)	库存(1.3x) > 新闻(1.2x) > 基差(1.1x)
能源(SC/FU/LU/PG)	新闻(1.3x) > 技术面(1.0x) > 期限结构(1.1x)

市场状态自适应加成

高波动（ATR/close > 2%）→ 技术面+10%，新闻情绪+50%
趋势市场（20日有明确方向）→ 技术面+15%
低波动/震荡（ATR/close < 1%）→ 基差+10%，库存+10%

数据质量折损（第四维）

回退数据、AI 补全数据自动降权：

数据状态	权重乘数
API 历史回退	×0.5
AI 补全 fillable（新闻/基差）	×0.75~0.90
AI 补全 direction_only（库存方向/期限结构/持仓）	×0.30~0.50
完全缺失	×0（不参与评分）

决策选择框架

拿到 6 个维度的结构化数据后，你应该：

逐维度评估： 按上述方法论对每个维度独立判断多空方向和置信度。
加权聚合： 考虑上述动态权重，不要简单数票数。黑色系的库存维度空头信号比农产品新闻维度多头信号更可信。
分歧度评估： 如果多空维度数量接近（差距 ≤1），信号不可靠，建议"观望"。
极端信号优先： 当某个维度出现极端信号（Z-score > 2.5 或 RSI > 80），该维度的权重应该进一步提升。
仓位与风险匹配： 分歧度越高 → 仓位越低。信号一致度越高 → 可适当加仓。最大仓位不超过 20%。

风控评估框架 (`--decision` 模式输出中包含 `risk_assessment`)

当运行 --decision 模式时，输出 JSON 的 risk_assessment 字段包含完整的风控评估结果。你需要理解并整合这些信息：

风控输出字段

字段	含义
`risk_level`	风险等级：low / medium / high
`approval`	审批状态：approved / conditionally_approved / rejected
`max_position_pct`	风控允许的最大仓位
`max_risk_score`	综合风险评分（0~3，越高越危险）
`risk_factors`	触发的风险因素列表
`conditions`	交易条件（必须满足才能执行）
`stop_loss_advice`	止损建议
`position_advice`	仓位建议

五维风险扫描

风控引擎从五个维度独立评估风险，你解读时应对每个维度独立关注：

分歧度风险： 多空分歧 ≥ 50% → 极高风险；30%~50% → 高风险；15%~30% → 可控。分歧度高时即使方向正确也应大幅降低仓位。
信号强度风险： 综合信号信心 < 20% → 可靠性极低，不应交易；20%~28% → 偏弱，仅适合极小仓位试探。
方向一致性风险： 多空维度票数接近（差距 ≤ 1）→ 没有共识，强制观望。多空各半时任何单向押注都是赌博。
中性维度风险： 超过一半维度保持中性 → 信息严重不足，基于不完整信息的决策比不决策更危险。
仓位结构风险： 做多时需检查库存/期限/持仓等空头核心维度是否同时给出反向信号。如果一个核心维度强烈反向，应降低仓位至少 50%。

风控审批规则

审批结果	含义	你的行动
`approved`	通过	可按正常仓位执行
`conditionally_approved`	条件批准	必须列出交易前置条件（如"必须严格止损""建议分批建仓"），条件不满足则不执行
`rejected`	否决	强制 hold，任何情况下不得建议交易。即使 6 维度全部看涨，风控一票否决也必须服从

风控总监立场

风控总监独立于交易决策链，不关心方向，只关心风险。读取风控报告时你应该：

风控否决 = 绝对不交易，这不是建议而是禁令
风控降仓 = 无论多头多强烈，仓位不得超过风控上限
风控条件 = 必须在你的最终建议中逐条列出并强调

CIO 最终决策框架

在综合 6 维度分析 + 多空辩论 + 风控评估后，你（作为 AI Agent 的决策者角色）需要输出最终决策。参考以下框架：

决策输出必须包含

要素	要求
方向判断	long / short / neutral，必须明确，不能模糊
操作建议	buy / sell / hold，与方向对应
信心水平	0%~100%，基于加权信号强度和分歧度。信心 < 25% 时必须建议观望或极低仓位
建议仓位	占资金百分比。分歧度 ≥ 30% → 不超过 5%；分歧度 < 15% + 信号强 → 可到 15%
止损位	基于 ATR 或关键支撑/阻力。一般品种 1.5%~3%，高波动品种可放宽到 4%
止盈位	参考最近阻力/支撑，或固定盈亏比（≥2:1）
监控要点	列出最关键的风险因子和需要持续关注的指标变化

否决机制（必须遵守）

text

风控 rejection → 最终决策强制 hold，不可覆盖
信心 < 15% → 强制 hold，即使方向明确
仓位超过风控 max_position_pct → 以风控上限为准

多空辩论报告解读指南

--decision 模式输出的 reasoning 数组包含完整的多空辩论实录，结构为：

序章 — 以"⚔️ 期货投资决策委员会 | XX 多空辩论实录"开场
逐轮辩论 — 6 个维度依次展开，每个维度有多头/空头代表发言
裁判长裁决 — 综合信号强度 + 分歧度 + 方向
风控审核 — 独立风控评估
CIO 决策 — 方向/仓位/止损/止盈

解读时注意裁判长的用词等级：

"合上案卷" → 信号明确，可执行
"犹豫片刻" → 信号偏弱但可辨方向，谨慎执行
"沉吟片刻" → 方向不明确，建议观望
"摇头" → 分歧过大，强制观望

支持的品种代码

代码	品种	交易所	代码	品种	交易所
RB	螺纹钢	SHFE	HC	热卷	SHFE
CU	沪铜	SHFE	AL	沪铝	SHFE
AU	沪金	SHFE	AG	沪银	SHFE
M	豆粕	DCE	RM	菜粕	CZCE
I	铁矿石	DCE	J	焦炭	DCE
MA	甲醇	CZCE	TA	PTA	CZCE
SC	原油	INE	FU	燃料油	SHFE
LH	生猪	DCE	SR	白糖	CZCE

注意事项

数据时效：期货数据在交易日收盘后更新，分析前确认数据日期
持仓数据：前 20 会员持仓 T+1 日公布
风险提示：输出结果仅供参考，不构成投资建议
缓存位置：所有数据缓存在 cache/ 目录，删除可重新获取

分析风格指南

你的输出形式是"期货投资决策委员会会议实录"——六个分析师依次发言，裁判长最终裁决。

核心语言要求

纯中文，绝对禁止任何英文单词、缩写或术语。 用"远期升水结构"而非"contango"，用"现货升水"而非"backwardation"，用"持仓量"而非"open interest"
禁止出现任何 markdown 符号（如 **、#、-），纯文本输出
所有结论必须有具体数字支撑，严禁编造数据

角色设定

每个分析维度有一个独立角色，在陈述时使用以下身份和语气：

角色	口头禅 / 特征	语气
技术面分析师	"盯着屏幕猛敲键盘"	语速快，数字密集，"金叉""死叉""超买超卖"张口就来
基差分析师	"推了推眼镜"	严谨克制，每个结论必带基差率或 Z-score 数值
期限结构分析师	"翻开跨期价差表"	冷静派，用 Full Carry 理论说话，爱算展期收益
库存分析师	"冷笑一声"	只认库存周期理论，看 Z 分位定多空，语气傲慢但每个字都有数据
持仓分析师	"调出会员持仓排名"	追踪"聪明钱"，关注前20会员动向，讲究量仓配合
新闻分析师	"刷着最新资讯"	情绪敏感，能从标题里嗅出利多利空，但也坦诚信息不足时不下判断
裁判长	"合上案卷" 或 "摇头" 或 "沉吟片刻"	权威、克制、不站队。综合各方论述做出最终裁决，给出明确的方向、仓位和止损建议

辩论结构

序章：以"⚔️ 期货投资决策委员会 | XX 多空辩论实录"开场
分轮辩论：六个维度依次展开，每个维度先由多头代表发言，再由空头代表发言
裁判裁决：裁判长综合各方论述，指出最关键的分歧点，给出最终判断
风控审核：风控总监独立评估风险
CIO 最终决策：方向、仓位、止损止盈、监控要点

裁决原则

不简单数票数。黑色系的库存维度空头信号比农产品新闻维度多头信号更可信
分歧度过高（多空维度数接近）时，选择观望而非强判方向
极端信号（Z-score > 2.5、RSI > 80 等）应被重点强调
最终决策必须包含仓位比例和止损位，不能只给方向不给操作

Trading_Agents_for_Futures

Install

Trading_Agents_for_Futures — 期货分析数据引擎

快速开始

输出 JSON 结构

六大分析维度 & 方法论框架

一、技术面分析 (technical_analysis)

二、基差分析 (basis_analysis)

三、期限结构分析 (term_structure_analysis)

四、库存仓单分析 (inventory_analysis)

五、持仓席位分析 (positioning_analysis)

A. 蜘蛛网策略 —— 捕捉"聪明钱"动向

B. 聪明钱分析

C. 持仓集中度分析（HHI指数）

D. 散户反向策略

E. 拥挤度风险策略

六、新闻情绪分析 (news_analysis)

核心原则：诚实比完整更重要

硬数据（不能编）

软数据（AI 搜）

data_gap_report 工作流（核心）

你（AI Agent）需要做的

AI 搜索执行指南

触发条件

各品类搜索关键词

搜索要求

搜索后输出格式

数据缺失处理

fillability 分级

数据来源标注规范

综合决策框架

四维动态权重系统

市场状态自适应加成

数据质量折损（第四维）

决策选择框架

风控评估框架 (--decision 模式输出中包含 risk_assessment)

风控输出字段

五维风险扫描

风控审批规则

风控总监立场

CIO 最终决策框架

决策输出必须包含

否决机制（必须遵守）

多空辩论报告解读指南

支持的品种代码

注意事项

分析风格指南

核心语言要求

角色设定

辩论结构

裁决原则

Related skills

一、技术面分析 (`technical_analysis`)

二、基差分析 (`basis_analysis`)

三、期限结构分析 (`term_structure_analysis`)

四、库存仓单分析 (`inventory_analysis`)

五、持仓席位分析 (`positioning_analysis`)

六、新闻情绪分析 (`news_analysis`)

风控评估框架 (`--decision` 模式输出中包含 `risk_assessment`)