Skip to main content
AlphaCouncil：用 Google ADK ＋ 開源模型打造多代理人辯論式台股分析系統——資料在地化 × 模型在地化

Architecture Journal

conferencegoogle-adkmulti-agent

AlphaCouncil：用 Google ADK ＋ 開源模型打造多代理人辯論式台股分析系統——資料在地化 × 模型在地化

演講題目：AlphaCouncil：用 Google ADK ＋ 開源模型打造多代理人辯論式台股分析系統——資料在地化 × 模型在地化

基本資料

欄位內容
ConferenceCOSCUP
年份2026
日期2026-08-09
時間14:00–14:30
地點AU
演講題目AlphaCouncil：用 Google ADK ＋ 開源模型打造多代理人辯論式台股分析系統——資料在地化 × 模型在地化
講者Samson、陳庭宇
狀態delivered
官方連結COSCUP 2026 議程頁
簡報連結Google Drive
共筆HackMD

演講摘要

AlphaCouncil 是一個使用 Google ADK 建構的多代理投資研究系統。這場分享把投資研究拆成分析師、投資哲學、辯論、風險配置與交易策略等階段，示範如何用 Sequential、Parallel 與 Loop 編排一條可重現的研究流程。內容也會比較美股與台股資料來源、討論價值投資風格在不同市場環境下的回測表現，並說明評估、可觀測性與長期回測的下一步。

演講內容

演講重點

  1. 把投資研究拆成可編排的階段：單一 AI 容易受限於資料分散、觀點單一與流程不可重現；AlphaCouncil 將研究工作拆成多個角色與階段，讓每個 Agent 負責清楚的任務。
  2. 用 Google ADK 組合 Multi-Agent Pipeline：Sequential 處理有先後依賴的主流程，Parallel 讓不同分析師同時工作，Loop 則支援多空辯論與風險辯論等反覆流程。
  3. 把不同投資哲學數位化：系統將價值與品質、估值與逆向、成長與創新、總體與風險等觀點整理成不同 Agent，讓同一份市場資料接受多種投資框架檢視。
  4. 用辯論與裁決收斂投資決策：Bull Agent 與 Bear Agent 先整理多空論點，再由 Research Manager 形成 Buy、Hold 或 Sell 共識；Portfolio Manager 進一步決定風險配置，Trader 將結果轉成 Entry、Stop Loss 與 Take Profit。
  5. 台股在地化需要資料與語境一起處理：美股使用 yfinance 與國際新聞，台股則使用 TWSE OpenAPI 與本地新聞；在地化不只是替換股票代號，也包含籌碼、基本面與市場心理。
  6. 回測結果需要放回市場環境解讀：目前的價值投資回測只有兩個月，結果適合用來觀察投資哲學與市場環境的關係，不能直接推論長期績效。

研究流程

flowchart TD
    Data[市場資料] --> Analysts[分析師團隊]
    Analysts --> Philosophies[投資哲學 Agents]
    Philosophies --> Debate[多空辯論]
    Debate --> ResearchManager[Research Manager]
    ResearchManager --> RiskDebate[風險辯論]
    RiskDebate --> PortfolioManager[Portfolio Manager]
    PortfolioManager --> Trader[Trader]
    Trader --> Decision[Buy / Hold / Sell<br/>Entry、Stop Loss、Take Profit]

內容整理

AlphaCouncil 先由分析師團隊整理市場情報，再交給不同投資哲學的 Agent 解讀。分析師包含技術分析、新聞分析、市場心理、籌碼分析與基本面分析，各自產出後續角色可以使用的研究材料。

接著，系統讓不同投資風格共同檢視資料。Value & Quality 關注護城河、內在價值與安全邊際；Valuation & Contrarian 關注 DCF 估值、市場錯價與催化事件；Growth & Innovation 關注成長股與產業趨勢；Macro & Risk 則處理利率、尾部風險與宏觀環境。

多空辯論完成後，Research Manager 整合 Bull 與 Bear 的觀點，形成投資共識。Portfolio Manager 再從激進、中立與保守等風險偏好討論倉位配置，最後由 Trader 將決策轉成具體交易策略。

資料來源與開源取捨

專案刻意使用免費與公開資料，換取零 API Key、低使用門檻與較容易重現的開源實作，但也必須承擔資料格式破碎、清洗與來源穩定性的成本。這個取捨是 AlphaCouncil 能否被更多人實際使用的重要條件。

回測觀察與限制

目前回測使用單一價值投資風格，期間只有兩個月。結果顯示，AlphaCouncil 的決策績效在六月後明顯落後大盤，市場在七月回檔時差距開始收斂。這比較適合拿來觀察價值框架和市場環境的關係，不足以推論不同投資風格的長期表現。

下一步

  • Evaluation Framework：除了盈虧結果，也評估報告邏輯與投資哲學的一致性。
  • Observability：透過 Logs、Metrics 與 Traces 追蹤 Agent 執行狀態、錯誤中斷與資料異常。
  • Long-term Backtest：延長回測週期，並比較更多 Agent 組合與市場週期。

相關內容

本專案僅供教育與研究用途，不構成任何投資建議。