多智能体驱动的量化投资系统架构思考
专注AGI+，AI量化投资、个人成长与财富自由【AI大模型教程】
主要都是多智能体做相关的，其中有自动进化因子，也就是进行因子挖掘和进化的，也有直接生成交易指令的。
还有直接基于量价数据，进行日内和高频交易的。
后续引入大模型是肯定的。
大模型在投资领域可以有效结合主观和量化交易的优点。
大模型还可以充分使用结构化数据，以及非结构化数据的
金融投资，数据是基础，策略思路是关键。
这取决于投资范式。
从基础数据来看，最少必要的数据，就是投资标的的收盘价。
比如日频策略，最少数据只需要相关标的日频的收盘价。分钟策略，也只少仅需要分钟级的收盘价。————比如“买入并持有”，“均线策略”。甚至很多技术指标也仅需要收盘价。
其余数据都是补充基础数据：开盘价，交易量，还是基本面指标（可换算成日频），另类数据等。
在这些基础数据的基础上，生成衍生指标，就是因子挖掘，因子筛选。
然后把因子组成成策略，就是传统量化投资的主要过程（多因子策略）。
之前我们主要使用mongo来存储和查询金融数据。但为了提升性能，把全量数据同步到本地，以csv/parquet的方式存储备用。
数据量少的时候还好，数据量多的时候，就会更慢一些。
额外的基础信息以及多个数据表的情况，mongo的联表查询会更加复杂一些。
存储倒是简单了，但在使用的时候会有额外的工作。
我们还是需要提前想清楚，如何使用数据。
尤其是股票和可转债，需要先选股的策略，需要基本面数据的联表查询。
以策略开发反向驱动策略存储方案。
后续的策略开发，希望以“自然语言”的方式，驱动策略生成。
比如“买入规则”，“排序因子”。这就是一个股票多因子策略。而买入、卖出规则与排序因子，就是一个ETF轮动策略。
策略配置，策略执行引擎（bt, backtrader, rqalpha和zipline等），策略结果保存与更新。
策略运行结果保持一致。——可以存储的mongo里备查
策略配置使用toml格式存储，保持兼容性和扩展性。
