把 AI Hedge Fund 改成台股版：Multi-Agent 股票分析系統架構

AI Hedge Fund 類型專案在做什麼？

AI Hedge Fund 類型專案通常會把股票分析流程拆成多個 agent。每個 agent 負責不同任務，例如基本面分析、估值、技術分析、情緒分析、風險管理或投資組合決策。

這種架構的重點不是讓一個 LLM 直接回答買或賣，而是把分析流程拆成可檢查的步驟：

• 取得資料
• 分析資料
• 產生 signal
• 標示信心與風險
• 交給 risk manager 檢查
• 交給 portfolio manager 整合
• 輸出可 audit 的結果

對 TW Market Data 來說，這類架構提供一個清楚的產品方向：台股 AI agent workflow 需要穩定的 market data API，而不是只靠模型內部記憶。

為什麼美股架構不能直接套用台股？

把美股 AI agent workflow 改成台股版，不能只替換股票代號。台股有自己的市場結構、資料來源、交易規則與資料特色。

如果你還在理解台股資料 API 的整體架構，可以先看 台股 API 完整指南。

台股版需要哪些資料工具？

台股 AI agent 需要的不是一個萬能工具，而是一組清楚定義的 API tools。每個 tool 對應一種資料能力。

如果你要把 Python 串接資料工具做起來，可以參考 Python 抓台股資料教學。

台股 multi-agent 系統架構

一個台股版 multi-agent 股票分析系統，可以拆成資料層、tool layer、agent layer 和 decision layer。

Data Sources
  ├─ OHLCV
  ├─ Financial statements
  ├─ Monthly revenue
  ├─ Institutional flows
  ├─ Technical indicators
  ├─ ETF / index constituents
  └─ Trading calendar

Tool Layer
  ├─ get_daily_ohlcv
  ├─ get_financial_statements
  ├─ get_institutional_flows
  ├─ get_technical_indicators
  ├─ get_etf_holdings
  └─ calculate_risk_metrics

Agent Layer
  ├─ Fundamentals Agent
  ├─ Technicals Agent
  ├─ Institutional Flow Agent
  ├─ ETF / Universe Agent
  ├─ Risk Manager
  └─ Portfolio Manager

Output
  ├─ structured signals
  ├─ risk flags
  ├─ portfolio constraints
  └─ research summary

重點是每一層都要可檢查。Agent 的回答應該能回溯到 data_used、tool parameters、timestamp 與 schema，而不是只產生自然語言結論。

如果你要先補齊台股量化研究流程的基礎概念，可以先看 台股量化交易入門。

Fundamentals Agent：財報與基本面資料

Fundamentals Agent 負責分析公司基本面，例如營收成長、EPS、ROE、毛利率、現金流與財務風險。台股版還應該特別處理月營收與公告日。

{
  "symbol": "2330",
  "tools": [
    "get_financial_statements",
    "get_monthly_revenue"
  ],
  "lookback_period": "8q",
  "required_fields": [
    "revenue",
    "eps",
    "roe",
    "gross_margin",
    "operating_cash_flow",
    "announcement_date"
  ]
}

{
  "agent": "fundamentals",
  "symbol": "2330",
  "signal": "neutral",
  "confidence": 0.64,
  "data_used": [
    "income_statement",
    "balance_sheet",
    "cash_flow_statement",
    "monthly_revenue"
  ],
  "summary": "Revenue growth remains positive, but valuation and sector cycle require additional checks.",
  "risk_flags": [
    "requires_peer_comparison",
    "requires_latest_announcement_date"
  ]
}

如果你要理解台股財報 API 與基本面因子，可以參考 台股財報 API 教學。

Technicals Agent：OHLCV 與技術指標

Technicals Agent 負責分析價格、成交量、趨勢、動能與波動率。它不應該自己猜技術指標，而是透過 OHLCV 或 technical indicators API 取得資料。

{
  "agent": "technicals",
  "symbol": "2330",
  "signal": "bullish",
  "confidence": 0.58,
  "data_used": [
    "daily_ohlcv",
    "technical_indicators"
  ],
  "indicators": {
    "sma20": 812.35,
    "sma60": 785.42,
    "rsi14": 58.7,
    "macd_histogram": 0.37
  },
  "risk_flags": [
    "technical_indicator_only",
    "requires_backtesting"
  ]
}

技術指標資料管線可以參考 台股技術分析 API；OHLCV 與 adjusted price 設計可再看 台股歷史股價 API 設計。

Institutional Flow Agent：三大法人與籌碼資料

Institutional Flow Agent 是台股版 AI Hedge Fund 很重要的差異化 agent。它可以分析外資、投信、自營商買賣超，並把單日資料轉成 rolling features。

{
  "agent": "institutional_flows",
  "symbol": "2330",
  "signal": "neutral",
  "confidence": 0.52,
  "data_used": [
    "institutional_flows",
    "daily_ohlcv"
  ],
  "flow_features": {
    "foreign_net_buy_5d": 12000000,
    "investment_trust_net_buy_5d": 1800000,
    "dealer_net_buy_5d": -600000,
    "foreign_net_buy_volume_ratio_5d": 0.036
  },
  "risk_flags": [
    "not_a_standalone_signal",
    "requires_volume_normalization"
  ]
}

三大法人與籌碼資料可以參考 三大法人買賣超 API。

ETF / Universe Agent：ETF、指數與產業分類

ETF / Universe Agent 負責定義研究範圍，例如 0050 成分股、台灣 50 指數成分股、特定產業或流動性足夠的股票集合。

{
  "agent": "universe",
  "universe": "0050_holdings",
  "as_of_date": "2026-04-24",
  "symbols": [
    "2330",
    "2317",
    "2454"
  ],
  "sector_exposure": [
    {
      "sector": "Semiconductors",
      "weight": 0.42
    }
  ],
  "risk_flags": [
    "requires_historical_constituents_for_backtest"
  ]
}

ETF 與指數成分股資料可以參考 台股 ETF 與指數成分股 API。

Risk Manager：流動性、波動率與部位限制

Risk Manager 不負責找股票，而是限制風險。它應該根據波動率、成交量、流動性、最大回撤、產業曝險與集中度，設定 position limits 或 risk flags。

{
  "agent": "risk_manager",
  "symbol": "2330",
  "max_position_weight": 0.08,
  "risk_score": 0.37,
  "data_used": [
    "daily_ohlcv",
    "volume",
    "sector_exposure"
  ],
  "risk_flags": [
    "single_name_exposure_limit",
    "requires_liquidity_check"
  ]
}

如果你要理解回測與風控如何設計，可以參考 Python 台股回測系統實作。

Portfolio Manager：整合信號，不直接保證交易結果

Portfolio Manager 的工作是整合不同 agent 的結果，而不是盲目接受任何單一 signal。它應該檢查每個 agent 的 confidence、data_used、risk_flags 和資料缺口。

{
  "symbol": "2330",
  "final_signal": "neutral",
  "confidence": 0.59,
  "agent_signals": [
    {
      "agent": "fundamentals",
      "signal": "neutral",
      "confidence": 0.64
    },
    {
      "agent": "technicals",
      "signal": "bullish",
      "confidence": 0.58
    },
    {
      "agent": "institutional_flows",
      "signal": "neutral",
      "confidence": 0.52
    }
  ],
  "risk_manager": {
    "max_position_weight": 0.08,
    "risk_flags": [
      "requires_liquidity_check"
    ]
  },
  "decision": "research_only",
  "not_investment_advice": true
}

建議 Portfolio Manager 的預設輸出應該是 research summary，而不是直接產生下單指令。若要進入實際交易，必須有完整回測、風控、人為審核與合規流程。

Agent tool schema 設計

Agent tool schema 應該簡單、可驗證、可 audit。以下是台股 AI agent 可以使用的工具設計示意。

{
  "name": "get_daily_ohlcv",
  "description": "Get daily OHLCV data for a Taiwan stock.",
  "parameters": {
    "symbol": "2330",
    "from": "2025-01-01",
    "to": "2025-12-31",
    "adjusted": true
  }
}

{
  "name": "get_financial_statements",
  "description": "Get financial statements for a Taiwan stock.",
  "parameters": {
    "symbol": "2330",
    "statement": "income_statement",
    "from": "2024Q1",
    "to": "2025Q4"
  }
}

{
  "name": "get_institutional_flows",
  "description": "Get institutional investor flows for a Taiwan stock.",
  "parameters": {
    "symbol": "2330",
    "from": "2025-01-01",
    "to": "2025-12-31",
    "unit": "shares",
    "format": "wide"
  }
}

實際 endpoint 與 tool naming 不一定要和上方完全相同。重點是每個 tool 的輸入、輸出、資料來源和限制要清楚。實際路徑請以 TW Market Data docs 為準。

Agent output schema 設計

每個 agent 都應輸出結構化 JSON。不要只輸出自然語言，否則 risk manager 和 portfolio manager 很難自動檢查。

如何避免 hallucination？

金融 AI agent 最重要的問題之一是 hallucination。避免 hallucination 的方法不是要求模型不要亂說，而是設計資料與工具流程。

• Agent 只能透過 tool 查詢最新或指定日期資料
• 回答必須列出 data_used
• 回答必須列出資料時間區間
• 回答必須標示 missing data
• 不允許 agent 自己猜股價、財報或法人買賣超
• 不允許沒有資料來源的 buy / sell recommendation
• 所有 signal 必須可回測
• portfolio decision 必須通過 risk manager
• 實際下單前必須有人為審核與合規檢查

AI agent 的可靠性來自資料邊界與工具設計，而不是來自模型自信的語氣。

從 research workflow 到 production workflow

台股 AI agent workflow 可以先從 research assistant 開始，而不是一開始就做自動交易。

User asks:
"請分析 2330 最近的基本面、技術面與法人籌碼。"

Agent workflow:
1. search_stocks("2330")
2. get_daily_ohlcv("2330")
3. get_financial_statements("2330")
4. get_institutional_flows("2330")
5. get_technical_indicators("2330")
6. calculate_risk_metrics("2330")
7. generate structured research summary

這也是為什麼台股 AI agent workflow 的核心不是 LLM 本身，而是資料 API、工具邊界、風控流程與可追蹤紀錄。

建議的 API endpoint 設計

以下是支援台股 AI agent workflow 的 endpoint 設計示意。

GET /v1/tw/stocks/search
GET /v1/tw/stocks/{symbol}/profile
GET /v1/tw/stocks/{symbol}/ohlcv
GET /v1/tw/stocks/{symbol}/financials
GET /v1/tw/stocks/{symbol}/monthly-revenue
GET /v1/tw/stocks/{symbol}/institutional-flows
GET /v1/tw/stocks/{symbol}/technical-indicators
GET /v1/tw/etfs/{symbol}/holdings
GET /v1/tw/indices/{index_code}/constituents
GET /v1/tw/calendar/trading-days

實際 endpoint 命名不一定要完全相同。重點是資料 schema 穩定、文件清楚、更新時間明確，並能被 AI agent tool calling 安全使用。實際路徑請以 TW Market Data docs 為準。

如果你要從 multi-agent 架構進一步落到 tool calling 實作流程，可以接著看 台股 AI Agent Workflow。