Macro-Narrative Driven ETF Investment Agent (MND-IA)

1. 项目概述 (Project Overview)

MND-IA 是一个基于 “宏观叙事生命周期 + 资金流向交叉验证” 的自动化 ETF 投资智能体系统。

核心哲学 (Core Philosophy)

1. 叙事即信号 (Narrative as Signal): A 股是政策市，新闻联播及部委政策是市场趋势的先行指标。
2. 资金即真相 (Flow as Truth): 只有资金实际流入的板块，叙事才具备可信度。
3. 信任指数 (Trust Index): 决策基于叙事热度与资金强度的共振程度。
4. 生命周期管理 (Lifecycle): 新闻不是孤立的脉冲，而是具有“潜伏-发酵-兑现-衰退”周期的持久对象。

---

2. 系统架构 (System Architecture)

本系统采用 Multi-Agent "Skills" 架构，由一个不可拆分的共享内核 (Shared Kernel) 和五个独立职能的 Agent Skills 组成。

2.1 共享内核 (Shared Kernel) - 不可拆分

这是系统的数据中心和逻辑基石，所有 Agent 必须遵循此协议。

1. MCP World Book (世界书): 一个动态更新的 JSON 数据库，存储宏观状态、活跃叙事对象和历史经验。
2. Asset Map (资产映射表): 连接自然语言（如“低空经济”）与金融代码（如 512XXX）的静态字典。
3. Macro Matrix (宏观逻辑矩阵): 定义宏观因子（如利率、汇率）对各 ETF 板块的基础理论影响值 ()。

2.2 Agent Skills 群 (The Squad)

Agent ID	名称	职能 (Skill)	输入	输出
Skill_A	情报分析师 (Analyst)	NLP 提取、新闻分级、叙事打分	新闻文本 (News)	Narrative_JSON
Skill_B	量化研究员 (Quant)	行情分析、资金流计算、异常检测	行情数据 (Akshare)	Market_Data_JSON
Skill_C	宏观策略师 (Strategist)	维护世界书、判断周期、更新叙事权重	Narrative_JSON + 历史 WorldBook	更新后的 World_Book
Skill_D	基金经理 (PM)	计算信任指数、风控、生成订单	World_Book + Market_Data_JSON	Trade_Orders
Skill_E	复盘审计员 (Auditor)	绩效归因、偏差修正	历史预测 vs 实际走势	Correction_Report
Skill_F	新闻联播爬虫 (Crawler)	抓取新闻联播文字稿	目标日期	新闻文本列表

---

3. 数据协议与 Schema (Data Protocols)

注意：AI 生成代码时必须严格遵守以下 JSON 结构。

3.1 World Book Schema (世界书结构)

{
  "timestamp": "2025-10-01T09:00:00",
  "macro_cycle": {
    "status": "upward", // upward(上行) | downward(下行)
    "liquidity": "loose", // loose | neutral | tight
    "policy_wind": "stimulus" // stimulus | regulation | wait_and_see
  },
  "active_narratives": [
    {
      "id": "narrative_low_altitude_economy_202510",
      "topic": "低空经济",
      "related_etfs": ["512XXX", "159XXX"],
      "lifecycle_stage": "fermentation", // incubation | fermentation | realization | decay
      "base_score": 85, // 初始新闻强度
      "decay_factor": 0.95, // 每日衰减系数
      "current_weight": 80.75, // 动态权重
      "last_updated": "2025-10-01"
    }
  ],
  "static_matrix_snapshot": {
    // 基础宏观因子影响表 ($x$)
    "tech_etf": {"rate_cut": 8, "currency_depreciation": 2},
    "bank_etf": {"rate_cut": -5, "currency_depreciation": -1}
  }
}

3.2 Trust Index Formula (信任指数算法)

Agent D (PM) 必须使用以下逻辑计算得分：

• Score_narrative: 来自 World Book 中 current_weight。
• Score_flow: 来自 Skill_B (Quant) 的资金净流入归一化评分。
• Penalty_divergence: 当 Narrative > 80 但 Flow < 30 时，惩罚值设为 100 (一票否决)。

---

4. 业务流程 (Workflows)

4.1 每日批处理流程 (Daily Batch) - 08:30 AM

1. Ingest: Skill_A 读取昨夜今晨新闻，Skill_B 读取昨日行情。
2. Cognition: Skill_C 读取 Skill_A 的结果，更新 MCP World Book（增强或衰减叙事权重）。
3. Decision: Skill_D 读取最新的 World Book 和 Skill_B 的资金数据，计算 Trust Index。
4. Execution: Skill_D 输出具体的 buy/sell 指令列表。

4.2 盘中哨兵流程 (Intraday Sentinel) - 09:30 - 15:00

1. Monitor: 系统监听快讯接口（如财联社红色资讯）。
2. Trigger: 若检测到 Level A 级新闻（如印花税、降准）。
3. Interrupt: 唤醒 Skill_C 临时修改 World Book 状态。
4. Re-eval: 触发 Skill_D 重新计算当日持仓建议。

4.3 盘后复盘流程 (Post-Market Feedback) - 16:00 PM

1. Skill_E 对比昨日的 Trade_Orders 和今日实际涨跌幅。
2. 若偏差过大，Skill_E 向 MCP 写入一条 correction_log，调整 Skill_C 未来对同类新闻的打分权重。

---

5. 项目结构 (Project Structure)

建议 AI 按照以下目录结构生成代码：

/mnd_agent
├── /core                # 共享内核
│   ├── world_book.py    # MCP 读写逻辑
│   ├── asset_map.json   # 资产映射字典
│   └── macro_matrix.json # 静态因子表 ($x$)
├── /skills              # Agent 能力群
│   ├── analyst.py       # Skill A: LLM Prompts for News
│   ├── quant.py         # Skill B: Akshare Data Analysis
│   ├── strategist.py    # Skill C: World Book Update Logic
│   ├── pm.py            # Skill D: Trust Index & Trade Logic
│   ├── auditor.py       # Skill E: Feedback Loop
│   └── crawler.py       # Skill F: XinwenLianbo Crawler
├── /data                # 本地存储 (Parquet/SQLite)
├── /logs                # 运行日志
├── main.py              # 主调度入口
└── README.md            # 本文件

---

6. 技术栈约束 (Tech Stack Constraints)

• Language: Python 3.10+
• LLM Interface: OpenAI SDK (兼容 GLM-4/Claude-3.5)
• Data Source: akshare (A股行情), crawl4ai (新闻联播爬虫)
• Data Process: pandas, numpy
• Storage: 本地 JSON 文件模拟 MCP Server (MVP阶段)

---

7. 给 AI 工具的构建指令 (Instructions for AI Builder)

1. Step 1: 首先创建 core/ 目录，定义好 WorldBook 类和 JSON 数据结构，这是所有 Skill 通信的基础。
2. Step 2: 实现 skills/quant.py，确保能从 Akshare 获取 ETF 数据并计算“资金放量”指标。
3. Step 3: 实现 skills/analyst.py，编写能够将新闻文本转化为 JSON 对象的 Prompt。
4. Step 4: 实现 skills/pm.py 中的 Trust Index 算法，确保逻辑与上述公式一致。
5. Step 5: 编写 main.py 将上述模块串联起来，完成每日一次的模拟运行。