1. 架构设计¶
系统架构：¶
- 前端：基于React框架，提供用户界面，负责风险评估问卷、投资建议展示等交互功能。
- 后端：采用Flask作为API服务框架，提供接口支持用户管理、投资建议和数据处理。
- 数据层：使用MySQL存储用户数据和市场数据
数据流：¶
2. 系统功能模块设计¶
核心功能模块：¶
模块交互矩阵¶
| 模块名称 | 依赖模块 | 数据接口 | QPS（Queries Per Second）限制 | 接口功能说明 |
| 用户界面模块（UI） | 用户管理模块（UM） | /api/ui/dashboard | 500 | 获取用户的投资组合与收益曲线等数据，支持响应式布局的动态渲染 |
| 数据处理模块（DT） | /api/ui/recommendations | 200 | 接收个性化投资策略报告或产品推送数据 | |
| 用户管理模块（UM） | 数据隐私处理模块（PR） | /api/users | 300 | 用户信息维护，包括用户的注册（POST）、登录（POST）、信息修改（PUT）、查询（GET）、注销（DELETE）等操作 |
| 路由系统 | /api/auth | 100 | 用户身份认证，依赖路由系统分配权限 | |
| 数据隐私处理模块（PR） | 用户管理模块 | /api/privacy/risk-profile | 150 | 设计用户风险承受能力测试，并存储用户风险承受能力测试结果，返回风险等级（POST/GET） |
| 敏感数据加密 | AES加密中间件 | 200 | 对用户的敏感信息加密，诸如密码、身份证号、手机号码等信息 | |
| 权限控制服务 | JWT令牌验证中间件 | 200 | 控制接口访问权限，例如尚未登录的用户不能访问投资组合、收益曲线等数据 | |
| 数据处理模块（DT） | 数据隐私处理模块（PR） | /api/data/analysis | 200 | 接收清洗后的多源异构数据，基于大语言模型生成投资建议（POST） |
| AI引擎 | /api/data/LLM | 50 | 调用大语言模型进行因子挖掘和金融风控算法训练（异步接口） | |
| WebSocket | /ws/updates | 300 | 实时推送资产配置优化建议或分析进度（如文件分析中的Web Worker状态同步） |
关键接口说明¶
-
用户界面模块 (UI)：
-
/api/ui/dashboard
依赖用户管理模块（UM）获取用户基础信息，依赖数据处理模块（DT）获取投资数据。
返回格式：JSON（包含收益曲线、持仓分布等图表数据）
- /api/ui/recommendations
接收数据处理模块（DT）生成的策略报告，前端通过Web Worker解析后渲染为可读性内容
-
用户管理模块（UM）:
-
/api/users
实现RESTful风格接口，支持用户注册（POST）、登录（POST）、信息修改（PUT）、查询（GET）、注销 （DELETE）。
数据字段：username、password（通过AES加密中间件加密）、risk_level（来自PR模块）等
-
数据隐私处理模块（PR）：
-
/api/privacy/risk-profile
用户提交风险评估问卷后，调用此接口并划分风险等级（低low-中mid-高high）
数据字段：user_id、questionnaire_data、risk_level。
-
数据处理模块（DT）：
-
/api/data/LLM
异步接口，调用AI引擎进行模型训练，返回任务id供前端轮询进度
- /ws/updates
通过WebSocket实时推送分析结果（如文件分析完成通知）或策略更新。
2.1 前端功能模块¶
-
用户界面模块 (UI)：
- 提供简洁的界面，展示核心功能入口。
- 仪表盘设计，直观展示用户投资组合与收益曲线。
2.2 后端功能模块¶
2.2.1 后端功能模块细化表¶
| 主模块 | 子模块 | 接口示例 | 功能描述 |
| 用户管理 (UM) | 用户信息维护 | POST/api/auth/register POST/api/auth/login |
实现用户注册登录系统，即维护用户数据库的增、删、改、查。 |
| 数据隐私管理 (PR) | 用户画像 | POST/api/privacy/risk-profile | 设计并引导用户填写风险承受能力测试(年龄/收入/投资目标)，评估投资偏好，划分风险等级(低/中/高)。 |
| 敏感数据加密 | AES加密中间件 | 对用户密码、身份证号、手机号等字段进行加密存储 | |
| 权限控制服务 | JWT令牌验证中间件 | 控制接口访问权限(如未登录用户禁止访问投资建议) | |
| 基金数据清洗 | POST/api/data/funds | 处理基金净值数据 | |
| 一体化数据分析 | POST/api/data/analysis | 基于大语言模型提示学习和符号化因子挖掘的智能决策研究，生成投资建议 | |
| 模型服务 | POST/api/dataLLM | 基于异构数据学习的金融风控算法，生成适合大模型训练的数据 | |
| 个性化投资策略 | POST/api/data/report | 大模型返回资产的组合管理与优化配置建议数据，本模块将其生成可读性良好的报告或具体的产品推送信息 | |
| ### 2.2.2 模块协作关系图 |
3. 界面设计¶
页面功能设计¶
-
主页：
- 提供各大功能入口
- 投资组合推荐和动态优化展示
- 提供「我的信息」页面入口
-
风险评估页面：
- 引导用户完成问卷，记录年龄、收入、投资目标和风险态度。
- 输出用户风险等级。
-
投资建议页面：
- 基于数据分析生成投资建议
- 借助LLM将投资建议转化为报告，呈现给用户
-
仪表盘：
- 以图表形式展示市场趋势
-
我的信息：
- 显示用户信息
- 支持修改用户昵称等信息
4. 数据库设计¶
MySQL 集合规范¶
用户表(user)¶
| 字段 | 类型 | 说明 |
| user_id | INT AUTO_INCREMENT PRIMARY KEY | 用户ID [主键] |
| username | VARCHAR(255) | 用户名 |
| VARCHAR(255) | 用户邮箱地址 | |
| password_hash | VARCHAR(255) | 加密存储的密码 |
| risk_level | INT | 用户风险等级 |
市场数据表(market_data)¶
| 字段 | 类型 | 说明 |
| data_id | INT AUTO_INCREMENT PRIMARY KEY | 主键 |
| symbol | VARCHAR(10) | 证券代码 |
| date | DATE | 日期 |
| price | DECIMAL(10,2) | 价格 |
5. 核心算法设计¶
1. 因子挖掘（Factor Mining）¶
目标：从多源异构数据中提取对投资决策有影响的关键因子。
1.1. 任务拆解：¶
| 子问题 | 数据处理 | 说明 |
| 文本语义分析 | LLM模型（如 GPT-4 / DeepSeek-V1） | 强大的上下文理解能力，可从新闻/公告中抽取与投资相关的因子（如“市场波动性上升”、“监管收紧”等） 并将其表达为（+1，-1）类的符号化因子 |
| Prompt设计 | 人工设计 / 自动生成prompt模板 | 模型需要精心设计prompt，引导其输出因子及影响方向（正/负） |
1.2. Prompt设计：¶
作为金融分析师，请从以下文本中提取影响资产价格的三个因子：
文本：{input_text}
输出：因子名称及其影响方向（+1/-1）。
- 输出：因子名称及其相关信息（如市盈率、市场情绪）。
1.3. 技术实现：¶
- 提示学习：调用预训练的大语言模型（如deepseek）。
2. 符号化规则（Symbolized Rules）¶
目标： 将原本复杂的数值关系或模型决策过程，转化为简单、清晰、具有明确逻辑的if-then形式规则，增强系统的可解释性、可追溯性与合规性。
2.1. 任务拆解：¶
| 子问题 | 数据处理 | 说明 |
| 规则提取 | 基于GBDT或决策树模型提取决策路径 | 通过建模结构化历史数据，学习特征与投资收益之间的关联，提取出明确条件 |
| 规则转化 | 将决策路径标准化为if-then格式 | 将模型内部隐含的路径条件，转化为符号化表达，供后续使用和展示 |
2.2. 技术实现：¶
-
基础模型选择
- 使用GBDT（Gradient Boosting Decision Tree或单棵决策树（CART对历史数据建模。
- 输入特征包括财务指标与用户画像（风险偏好、年龄段等）。
- 输出标签为投资结果，如“收益率高于平均水平”、“波动率低”等。
2.3. 规则提取过程¶
- 训练完成后，从每棵决策树中遍历所有叶子节点，记录到达每个叶子的路径条件。
- 每一条路径对应一个if-then规则，形式为：
IF (市盈率 < 12) AND (ROE > 15%) THEN 高收益
- 路径中的每一个节点条件都被保留，用作规则前提。
2.4. 符号化标准输出¶
每条提取规则同一转化标准的JSON格式，示例如下：
{
"rule_id": "RULE_001",
"conditions": [
{"feature": "市盈率", "operator": "<", "threshold": 12},
{"feature": "ROE", "operator": ">", "threshold": 15}
],
"prediction": "高收益",
"confidence": 0.82
}
其中：
rule_id：规则唯一编号conditions：满足该规则的条件集合prediction：规则推断的投资结果confidence：依据训练样本计算的规则置信度
3. 因子融合与决策生成（Factor Fusion and Decision Making）¶
目标：
将不同来源挖掘得到的各类因子进行有效融合，建立统一的因子池，综合评估各资产，输出个性化投资建议和决策支持。
3.1. 任务拆解：¶
| 子问题 | 数据处理 | 说明 |
| 因子标准化 | 统一各因子的数据表示与方向性 | 将因子转化成统一格式，便于后续处理 |
| 因子重要性评估 | 计算每个因子的权重或得分 | 根据因子的历史表现、模型评估结果赋予不同权重 |
| 决策打分建模 | 综合各因子信息生成资产得分 | 使用简单模型或打分函数综合各因子得分，完成资产推荐排序 |
3.2. 技术实现：¶
3.2.1. 因子标准化处理¶
- 将所有提取到的因子整理成统一格式：
| 因子名称 | 因子类型 | 来源 | 方向（+1/-1） | 重要性得分（可选） |
| 市盈率<12 | 符号化规则因子 | 结构化数据 | +1 | 0.42 |
| 市场情绪上升 | 文本因子 | LLM抽取 | +1 | 0.35 |
| 行业监管趋严 | 文本因子 | LLM抽取 | -1 | 0.28 |
- 统一因子描述方式，确保在后续建模中可以直接读取。
3.3. 因子重要性评估¶
- 依据GBDT特征重要性（Feature Importance）或者因子出现时，模型得分上升程度打分
- 最终得到每个因子的权重（importance score），用于决策时加权处理。
3.4. 决策打分建模方法¶
方法：简单线性加权打分（适合首版系统）
- 定义每个资产的综合得分（Score）：
$$ \text{Score(asset)}=\sum_{i=1}^{N}(w_{i}\times I_{i}) $$ 其中：
- \(w_{i}\)：第 \(w_{i}\) 个因子的权重（importance）
- \(I_{i}\)：资产是否符合第
个因子，符合为1，不符合为0。即一个指示变量 - 按得分高低，对资产进行排序，推荐得分最高的资产组合给用户。
3.5. 结果解释与输出¶
- 推荐列表中每个资产附带对应的推荐理由：
示例：
推荐资产A：因为符合"市盈率低于12"、"市场情绪指数上升"、"风险偏好匹配成长型"等因子，预计未来收益潜力较好。
- 推荐理由可以直接来源于因子触发记录，也可以调用大语言模型（如DeepSeek）根据因子集合生成自然语言解释，提升用户体验。
小组成员¶
| 学号 | 姓名 |
|---|---|
| 231275036 | 朱晗 |
| 231275033 | 陈俊凯 |
| 231275019 | 欧阳慧婷 |
| 231275011 | 杨惠文 |