团队名称： [无限token队]
项目演示地址： http://106.13.186.155:8081
关键词： 多智能体协同、Alpaca 券商 API、SQLite 持久化、NVIDIA 加速、模拟实盘切换
一、项目概述：
1. 项目背景与痛点
在当前的量化交易 Hackathon 中，绝大多数参赛作品停留在"单线程脚本回放历史数据"或"基于假数据的 UI 演示"。这类作品无法解决真实交易中的三大核心痛点：资金安全的实时校验、系统宕机后的数据恢复、以及复杂策略的高并发协作。
2. 项目目标
我们开发的 DGX Spark v3.0 旨在构建一套 生产环境就绪 (Production-Ready) 的量化终端。我们不仅完成了从行情接入到订单执行的全流程闭环，更引入 多智能体交互网络 架构，实现了策略、风控、执行的异步解耦与高效协同。
二、 系统核心功能清单：
在 Demo 视频与现场演示中，评委和观众可以通过浏览器直接体验到以下六大基础功能模块，所有数据均由后端真实计算并持久化，绝非前端静态假数据。
📊 系统核心功能模块详解
| 功能模块 | 界面呈现与演示重点 | 技术实现与数据流向 |
|---|---|---|
| 1. 账户总览 | 展示总资产、可用现金、今日盈亏、购买力。数值随 Alpaca 真实持仓波动，Demo 可直观验证真实券商数据对接效果。 | 深度对接 Alpaca Account API，采用 5 秒增量同步机制，兼顾数据实时性与接口调用效率，告别纯模拟假数据。 |
| 2. 实时行情与信号面板 | 展示标的实时价格、涨跌幅，并附带由 NVIDIA 模型推理出的 Signal 强度条，直观呈现量化策略决策依据。 | Market Agent 维护 WebSocket 长连接，毫秒级行情推送，数据延迟 < 200ms，NVIDIA 模型端侧推理生成交易信号，低延迟、高可靠。 |
| 3. 订单快速交易模块 | 支持标的选择、买卖方向、数量输入。Demo 中将重点展示「提交即风控拦截」的安全机制，体现系统风险管控能力。 | 指令经 Risk Agent 全量审核校验后，路由至 Execution Agent 执行，多智能体协同保障交易安全，架构支持模拟/实盘无缝切换。 |
| 4. 当前持仓管理 | 表格展示持股数量、成本、市值、浮动盈亏百分比，数据实时更新，支持多维度持仓分析。 | 数据双源校验架构：Alpaca 实时持仓 + SQLite 本地镜像，双重保障数据一致性，断电重启数据不丢失。 |
| 5. 交易历史与审计日志 | 展示每笔订单的委托、成交、撤销状态。重点演示：点击刷新/重启页面，历史数据完整留存，无丢失。 | 底层由 SQLite 全量持久化引擎驱动，核心交易数据、信号数据、组合快照全链路落库，满足金融级数据可追溯、可审计要求。 |
| 6. 系统运行监控台 | 滚动日志展示 API 调用状态、Agent 心跳，直观呈现系统运行健康度。 | 实时反映多智能体网络的内部通信状态，各 Agent 独立运行、协同工作，架构高内聚低耦合，具备极强的可扩展性与稳定性。 |
三、 三大核心技术升级
注：这是我们在本次 Hackathon 冲刺阶段完成的重磅升级，直接拉升了作品的完成度和工业可用性。
🚀 升级一：全面集成 Alpaca 券商 API ------ 告别"假数据时代"
- 真实资金流接入： 彻底摒弃了前端 mock.js 生成假数据。系统通过官方 SDK 实时拉取 Alpaca 账户的 Buying Power、Portfolio Value 以及 Positions。
- 订单状态闭环： 实现了从 pending_new 到 filled 的完整订单状态机同步。演示时，观众看到的每一分钱盈亏都是基于真实市场行情计算得出的。
💾 升级二：数据全量 SQLite 持久化 ------ 打造"永不丢失"的黑匣子
四大数据流落库： 我们对系统的 交易记录 (Trades)、策略信号 (Signals)、组合快照 (Snapshots)、风控警报 (Alerts) 实施了全量 SQLite 持久化策略。
- 断电恢复能力： 在 Demo 中我们将演示：强制停止并重启服务后，刚才的交易历史和风控记录依然完整存在于列表中。这在竞赛中是极强的稳定性证明。
🔒 升级三：一键切换模拟/实盘环境 ------ 安全与上线的平衡艺术
- 配置门面模式： 我们在 config 中设置了 USE_LIVE_TRADING=false 开关。
- 演示价值： 录制视频时，系统自动调用 Alpaca 的 Paper API，绝对零资金风险。
- 上线价值： 演示结束后，仅需修改一个布尔值，同一套代码即刻具备操作百万级真实资金的能力。
四、 架构级创新：多智能体交互网络（Multi-Agent Interaction Network）
1. 设计理念
传统交易系统是单线程串行流程（获取行情 -> 计算 -> 下单），一旦风控逻辑阻塞，行情数据就会丢失。我们设计了一套分布式协同网络，将系统拆解为 5 个独立、高内聚的智能体（Agent）。
2. 智能体职能分工与交互逻辑
| 智能体 (Agent) | 核心职责 | 在 Demo 中的隐蔽体现 |
|---|---|---|
| Market Data Agent | 负责 Alpaca WebSocket 数据接收与清洗。 | 即使策略卡顿，行情面板依然丝滑刷新 (证明了并发独立性)。 |
| Strategy Compute Agent | 结合 NVIDIA 加速指标与 LLM 舆情，生成交易信号。 | 信号中心展示的置信度分值即该 Agent 产出。 |
| Risk Firewall Agent | 一票否决权。计算仓位敞口，拦截超限指令。 | 当你试图满仓买入时，订单会被拒绝并 提示 "Risk Blocked"。 |
| Execution Broker Agent | 唯一与券商 API 交互的执行器。 | 负责处理由风控放行的订单，并将结果 写回 SQLite。 |
| Storage Agent | 异步处理 SQLite 落盘，避免阻塞交易主线程。 | 历史记录加载极快，因为读写操作已被 该 Agent 隔离优化。 |
3. 多智能体带来的优势
- 高鲁棒性： 单个 Agent 崩溃（如网络抖动导致 Alpaca 断连），不影响策略计算和历史数据查询。
- 高并发处理： 各 Agent 并行运行，轻松应对高频 Tick 数据冲击。
- 极强扩展性 ： 赛后我们仅需 10 分钟即可接入新的 AI 智能体（如 GPT 分析财报），无需重构核心代码。
五、 NVIDIA 工具平台与深度学习模型集成：从加速回测到智能风控
量化交易领域，算力即竞争力 。我们的 DGX Spark v3.0 充分发挥了 NVIDIA 全栈软硬件生态的优势，不仅利用 GPU 进行实时推理，更利用 RAPIDS cuDF 解决了量化研发中最耗时的环节------历史数据回测。
1. 极速回测引擎：cuDF 驱动的向量化计算
在策略研发阶段，我们面临海量历史分钟级数据的验证需求。传统的基于 Python Pandas 循环的回测框架（for index, row in df.iterrows()）效率极低，严重拖慢开发节奏。
我们的解决方案：
-
数据迁移至 GPU： 使用 cudf.from_pandas() 将历史行情数据载入 NVIDIA 显存。
-
并行滚动计算： 利用 cuDF 的 rolling() 与 apply() 方法，在 GPU 数千个 CUDA Core 上同时计算 500+ 只股票的移动平均线交叉信号。
-
实测数据对比（基于 DGX 平台测试）：
-
标的数据： S&P 500 成分股，2019.01.01 - 2024.12.31，分钟级数据。
-
Pandas 回测耗时： 约 45 分钟。
-
cuDF 回测耗时： < 3 分钟。
-
价值体现： 这意味我们在 Hackathon 有限的 48 小时内，参数调优的效率是其他团队的 15-20 倍。我们能够快速验证更多想法，找到更优的策略参数组合。
2. 智能风控：基于 LSTM 的波动率预测模型
为了提升 Risk Firewall Agent 的前瞻性，我们集成了一维卷积 LSTM 神经网络，对持仓组合的短期风险进行预测。
- 模型结构： 输入层（60 分钟窗口特征） -> LSTM 隐藏层 (128 units) -> 全连接层 -> 输出波动率预测值。
- NVIDIA 优化链： 模型基于 PyTorch (CUDA) 训练；部署时利用 TensorRT 生成优化引擎，实现 FP16 低精度高速推理。
- 业务闭环 ： 当模型预测未来 5 分钟波动率将飙升 2 个标准差时，系统会自动执行以下动作：
1、Risk Agent 降级： 将策略允许的最大杠杆率从 1.0 降至 0.3。
2、UI 高亮预警： 前端风控监控台变红闪烁。
3、SQLite 记录： 写入 risk_alerts 表，供赛后复盘。
3. 多模态信号生成：TensorRT-LLM 驱动的舆情分析
- 我们将 Llama 3-8B 大语言模型作为 Strategy Agent 的外接大脑。
- 部署方式： 使用 TensorRT-LLM 构建本地推理引擎，彻底避免调用云端 API 的网络延迟与费用。
- 工作流： Market Agent 抓取 Yahoo Finance RSS -> 送入 LLM 进行 Few-shot 情感分类 -> 输出 Buy / Hold / Sell 倾向概率。
- 因子融合： 该舆情概率作为 软因子 与传统 CTA 指标加权叠加，生成最终的交易信号。
4. NVIDIA 技术在系统中的全生命周期应用总结
NVIDIA 技术栈全链路应用
| 环节 | 使用技术 | 直接产出 |
|---|---|---|
| 策略研发（回测） | cuDF (RAPIDS) | 20x 提速，快速验证策略逻辑 |
| 行情处理（实时） | CuPy / CUDA | 低延迟并发计算技术指标 |
| 风险预测（推理） | TensorRT | LSTM 模型毫秒级响应 |
| 舆情分析（推理） | TensorRT-LLM | 大模型本地化部署，无 API 成本 |
六、 团队分工与协作贡献
团队分工与贡献
| 成员 | 核心职责 | 本次竞赛具体贡献（凸显协作） |
|---|---|---|
| 砚底灯 | 架构师 / 后端 | 主导多智能体网络架构设计、Alpaca API 集成、模拟/实盘切换机制实现。 |
| 队员 B | 算法 / 模型 | 负责 NVIDIA CUDA 加速实现、Llama 3 舆情模型的 TensorRT 部署与调优。 |
| 队员 C | 全栈 / 数据 | 负责 SQLite 持久化 Schema 设计、前后端 WebSocket 数据联动及 UI 可视化开发。 |
| 队员 D | 测试 / 文档 | 负责 Demo 视频录制、系统高并发压力测试、项目报告书撰写与润色。 |
七、 未来展望
DGX Spark v3.0 在架构上已具备 机构级量化系统的雏形。未来规划如下：
- 云端多智能体集群： 将本地 Agent 迁移至 Kubernetes，利用 NVIDIA Triton Inference Server 实现分布式推理。
- 可视化策略工厂： 基于当前的 SQLite 信号库，开发拖拽式策略回测 IDE，降低使用门槛。
- 跨市场套利网络： 利用多智能体网络的扩展性，接入 Binance 等 Crypto 交易所，实现跨资产类别的智能体协作。
结语：
DGX Spark v3.0 是一套完成了 数据真实化、状态持久化、架构智能化 跨越的量化交易系统。它既能支撑起无懈可击的 Hackathon Demo 演示，又暗藏了足以应对实盘挑战的工业级架构设计。
------ 代码干净，架构硬核，实盘就绪