AB
AiBoss
Tutorials

FinGenius

Tutorials

用 FinGenius 多智能体博弈分析生成 A 股研究报告

FinGenius 是一款面向 A 股的 AI 金融分析应用,通过舆情、游说、风控等多个专业智能体协作,模拟市场参与者行为并输出结构化分析报告。本教程说明注册登录、配置关注股票与风险阈值、运行多智能体分析、解读报告与预警,以及通过 MCP 扩展工具和本地部署的进阶路径。

FinGenius 是一款面向 A 股市场的 AI 金融分析应用,核心思路是用多个专业智能体分工协作,模拟市场参与者的行为,再把结果汇总成一份结构化的分析报告。它适合需要快速获得多角度个股与行业解读的个人投资者、投研人员和金融分析岗位的从业者。与单一模型直接问答不同,FinGenius 把舆情、游说、风控等角色拆成独立智能体,再通过博弈机制让它们互相校验,从而减少单一视角带来的偏差。如果你希望先了解这类工具的整体定位,可以查看站内的 FinGenius 工具页,再回到本文按步骤操作。

需要先说明一点:FinGenius 输出的是分析材料,不是投资建议。它可以帮助你更快地整理信息、发现风险点,但最终决策仍然要由你自己做出,并结合公开披露信息与自身风险承受能力判断。

准备工作

在开始之前,先把下面几件事确认清楚,可以避免中途卡住。

  • 账号:需要访问 FinGenius 的网站或移动端应用完成注册并登录。移动端应用在荣耀、小米、vivo 等应用市场可以找到。注册时使用常用邮箱或手机号,便于后续找回账号。
  • 运行环境:如果只使用在线服务,普通浏览器或手机即可;如果打算本地部署,需要准备 Python 环境,并安装 conda 或 uv 其中之一用于依赖管理。
  • API 密钥:本地部署时需要自行准备模型服务或其他数据服务的 API 密钥,并写入配置文件。在线版本不需要这一步。
  • 分析目标:提前想清楚要分析哪些股票、关注哪些行业,以及你能接受的风险阈值大概在什么范围。这些参数会直接影响报告的内容密度。
  • GitHub 项目:进阶用法需要参考 FinGenius 的 GitHub 仓库中的安装说明,仓库地址请在官网或项目主页自行查找,本文不提供外部链接。

关于功能范围、可用地区、配额与价格,这些信息会随时间调整,请以官网当前公布的信息为准。

操作步骤

第一步:注册并登录

打开 FinGenius 网站,或从应用市场下载移动端应用。进入后选择注册,填写账号信息并完成验证,然后登录。登录成功后你会看到分析入口。移动端与网页端使用同一套账号体系,可以在两端切换使用。

第二步:配置关注股票与风险阈值

进入设置区域,按自己的投资习惯填写分析参数。常见的配置项包括:

  • 关注股票列表:把需要持续跟踪的标的加入列表,后续分析会优先围绕这些标的展开。
  • 风险阈值:设定触发预警的敏感度。阈值越严格,预警越频繁,需要处理的提示也越多。
  • 预警条件:例如价格波动幅度、成交量异常、舆情热度突变等,按你关心的维度勾选。

这些设置不是一次性的,后续可以随时调整。建议先用较宽松的阈值跑一轮,观察报告的信息量,再逐步收紧。

第三步:发起多智能体分析

在分析入口选择目标股票或行业,启动分析任务。FinGenius 会调度多个专业智能体并行工作:

  • 舆情智能体:梳理与标的相关的公开讨论与新闻热度。
  • 游说智能体:模拟市场参与者之间的立场博弈与信息传递。
  • 风控智能体:从风险角度审视标的的潜在问题。

这些智能体各自给出判断后,系统通过博弈机制进行交叉验证与汇总,最终形成一份结构化报告。报告通常包含关键信息提炼、风险点列表以及多模态的图表呈现,便于快速浏览。

第四步:解读报告

报告生成后,建议按下面的顺序阅读,效率更高:

  1. 先看结论摘要,了解多智能体给出的整体倾向。
  2. 再看风险点部分,确认是否有你此前没有注意到的隐患。
  3. 然后查看各智能体的分歧点。分歧往往比共识更有信息量,说明该标的存在争议。
  4. 最后结合图表与数据来源,核对关键数字是否与公开披露一致。

第五步:设置并处理风险预警

FinGenius 的风险预警系统会持续监控市场动态,在识别到异常时推送提示。你可以在预警列表中逐条查看触发原因,判断是需要立即处理,还是仅作记录。预警的灵敏度由第二步设置的阈值决定,如果提示过多,可以适当放宽条件。

第六步:通过 MCP 扩展工具能力

FinGenius 基于 Model Context Protocol(MCP)实现模型与工具之间的协作,支持即插即用的金融工具生态。这意味着你可以按需接入额外的数据源或分析工具,而不必改动核心流程。配置时通常需要在设置中登记工具服务地址与访问凭据,具体字段以当前版本的界面说明为准。

第七步:本地部署(可选)

如果需要更深入的控制,可以按 GitHub 仓库中的安装说明进行本地部署。大致流程如下:

  1. 准备 Python 环境,安装 conda 或 uv。
  2. 克隆项目并按说明安装依赖。
  3. 创建配置文件,填入 API 密钥等自定义项。
  4. 运行 FinGenius,通过命令行指定输出格式并保存结果。

本地部署的命令与参数会随版本变化,请以仓库中当前的安装文档为准。下面是一个示意性的运行结构,用于说明命令行调用的形态:

# 安装依赖(conda 或 uv 二选一)
conda create -n fingenius python=3.11
conda activate fingenius

# 或使用 uv
uv venv
uv pip install -r requirements.txt

# 运行并指定输出格式
fingenius run --config ./config.yaml --output json --save ./results

上面的命令只是结构示意,实际的可执行文件名、参数名与配置文件字段请对照仓库文档填写,不要直接照抄。

一个完整示例

下面用一个具体场景把流程串起来:你关注某只 A 股标的,希望获得一份包含风险提示的分析报告。

  1. 登录:打开 FinGenius 网站,使用已注册账号登录。
  2. 添加标的:在关注列表中加入这只股票,并补充它所属的行业标签,便于系统同时拉取行业层面的信息。
  3. 设定阈值:把风险阈值设为中等敏感度,预警条件勾选价格异常波动与舆情热度突变两项。
  4. 启动分析:在分析入口选择该标的,发起多智能体分析任务,等待报告生成。
  5. 阅读报告:先看摘要结论,再逐条核对风险点。假设风控智能体指出该标的近期存在应收账款周转放缓的迹象,而舆情智能体显示讨论热度平稳,两者形成分歧,这就是需要你进一步查证的地方。
  6. 处理预警:如果随后收到价格波动预警,回到报告对照触发时间点,判断是短期情绪波动还是基本面变化。
  7. 记录与复盘:把本次分析的结论与后续实际走势做对比,逐步调整你的阈值设置。FinGenius 的「Yearly Memory Rule Algorithm」会记录用户的使用习惯,随着使用次数增加,个性化分析的贴合度会有所提升。

这个示例覆盖了从配置到复盘的完整闭环。实际使用时,可以把标的换成一组股票,批量获得行业层面的对比视角。

注意事项

  • 分析结果不等于投资建议:FinGenius 提供的是信息整理与风险提示,任何买卖决策都需要你自行判断并承担后果。
  • 多智能体存在分歧是正常的:分歧恰恰说明标的具有争议性,不要只挑与自己观点一致的结论看。
  • 阈值设置影响体验:阈值过严会产生大量预警,反而淹没真正重要的信号;建议从宽松开始逐步收紧。
  • 本地部署需要自行维护:依赖版本、API 密钥、配置文件都需要你自己管理,升级时注意对照仓库的变更说明。
  • 移动端与网页端功能可能不完全一致:以你实际使用的版本为准。
  • 价格、配额与功能范围会调整:本文不列出具体数字,请以官网当前信息为准。
  • 数据时效性:实时处理能力再强,也无法保证覆盖全部信息源,重要结论建议交叉核对公开披露文件。

把上面的步骤走通一遍之后,你基本就掌握了 FinGenius 的主要用法:配置关注标的与阈值、发起多智能体分析、解读报告中的共识与分歧、处理风险预警,并在需要时通过 MCP 接入额外工具或进行本地部署。后续的优化方向主要是调整参数与积累复盘记录,让分析结果更贴合自己的判断框架。