GuruAgents

KO | EN

gitlite — search

#javascript #python #hacktoberfest #react #typescript #llm #machine-learning #rust #awesome #cli #kubernetes #awesome-list #security #open-source

(★ 11)

No description available.

GuruAgents Latest Version Download

Download Latest Version (.zip)

// repository documentation

Was this content helpful?

★ 0 (0 ratings)

# MOE-INVEST (Multi-Agent Optimization Engine for Investment)

MOE-INVEST는 여러 퀀트 투자 에이전트의 의견을 종합하여 최적의 투자 결정을 내리는 멀티 에이전트 시스템입니다.

## 🎯 프로젝트 개요

이 시스템은 다음과 같은 투자 대가들의 전략을 에이전트로 구현합니다:

- **벤자민 그레이엄 (Graham)**: 가치투자 전략
- **피오트로스키 (Piotroski)**: F-Score 기반 재무 건전성 평가
- **조엘 그린블랫 (Greenblatt)**: Magic Formula 전략
- **칼라일 (Carlisle)**: 모멘텀 기반 투자
- **리처드 드리하우스 (Driehaus)**: 성장 투자 전략

## 🏗️ 시스템 아키텍처

```
MOE-INVEST/
│
├── data/                        # OHLCV, 재무지표, 지표 계산용
│   ├── raw/                     # 원본 CSV, API 데이터 등
│   └── processed/               # 전처리된 스크리닝 대상 종목 리스트
│
├── agents/                      # 각 퀀트 대가 Agent 정의
│   ├── base_agent.py            # Agent 템플릿 클래스
│   ├── graham.py
│   ├── piotroski.py
│   ├── greenblatt.py
│   ├── carlisle.py
│   └── driehaus.py
│
├── meta_agent/                 # 마스터 에이전트 + CoT reasoning
│   ├── cot_reasoner.py          # CoT 기반 판단자 (LLM wrapper)
│   └── prompt_templates.py      # LLM 프롬프트 구조
│
├── portfolio/                   # 포트폴리오 구성 및 리밸런싱
│   ├── constructor.py
│   └── evaluator.py             # Sharpe, MDD, Turnover 등
│
├── backtest/                    # 실험 루틴
│   ├── run_backtest.py
│   └── result_logger.py
│
├── notebooks/                   # 실험용 노트북 or 시각화
│   └── 01_agent_outputs_demo.ipynb
│
├── utils/                       # 데이터 로딩, 재무 지표 계산 등
│   ├── data_loader.py
│   └── finance_utils.py
│
└── config.yaml                  # 실험 config (기간, 자산군, 기준 등)
```

## 🚀 주요 기능

### 1. 멀티 에이전트 투자 시스템
- 5개의 서로 다른 투자 철학을 가진 에이전트
- 각 에이전트의 독립적인 스크리닝 및 점수 계산
- 에이전트 간 합의도 기반 최종 결정

### 2. Chain of Thought (CoT) 추론
- LLM을 활용한 투자 결정 추론
- 각 에이전트의 투자 철학을 고려한 종합 분석
- 시장 상황과 리스크를 고려한 최종 선별

### 3. 포트폴리오 최적화
- 리스크 조정 수익률 최대화
- 다각화 효과 극대화
- 정기적인 리밸런싱

### 4. 백테스트 및 성과 평가
- 다양한 성과 지표 계산 (Sharpe, MDD, VaR 등)
- 에이전트별 성과 비교
- 시각화 및 보고서 생성

## 📦 설치 및 실행

### 1. 의존성 설치
```bash
pip install pandas numpy matplotlib seaborn scipy pyyaml
```

### 2. 설정 파일 수정
`config.yaml` 파일에서 백테스트 기간, 에이전트 파라미터 등을 설정합니다.

### 3. 백테스트 실행
```python
from backtest.run_backtest import BacktestRunner
from backtest.result_logger import ResultLogger

# 백테스트 실행
runner = BacktestRunner(config)
results = runner.run_backtest("2020-01-01", "2023-12-31")

# 결과 로깅
logger = ResultLogger()
logger.log_backtest_results(results, "experiment_1")
```

### 4. 노트북 실행
```bash
jupyter notebook notebooks/01_agent_outputs_demo.ipynb
```

## 🔧 설정 옵션

### 에이전트별 주요 파라미터

#### Graham Agent
- `max_pe`: 최대 P/E 비율 (기본값: 15)
- `max_pb`: 최대 P/B 비율 (기본값: 1.5)
- `min_current_ratio`: 최소 유동비율 (기본값: 2.0)

#### Piotroski Agent
- `min_f_score`: 최소 F-Score (기본값: 7)
- `min_market_cap`: 최소 시가총액 (기본값: 10억원)

#### Greenblatt Agent
- `min_roic`: 최소 ROIC (기본값: 5%)
- `max_ev_ebit`: 최대 EV/EBIT (기본값: 50)

#### Carlisle Agent
- `momentum_period`: 모멘텀 계산 기간 (기본값: 252일)
- `min_momentum`: 최소 모멘텀 (기본값: 5%)

#### Driehaus Agent
- `min_revenue_growth`: 최소 매출 성장률 (기본값: 15%)
- `min_earnings_growth`: 최소 이익 성장률 (기본값: 20%)

## 📊 성과 지표

시스템은 다음과 같은 성과 지표를 계산합니다:

- **수익률 지표**: 총 수익률, 연간화 수익률
- **리스크 지표**: 변동성, 최대 낙폭, VaR, CVaR
- **리스크 조정 지표**: 샤프 비율, 소르티노 비율, 칼마 비율
- **포트폴리오 지표**: 다각화 점수, 리밸런싱 비용

GuruAgents

GuruAgents Latest Version Download

Today's picks

Was this content helpful?

Recent Feedback

GuruAgents

GuruAgents Latest Version Download

Today's picks

Was this content helpful?

Recent Feedback

Download README