第二天, 2026/09/16
我今天剛剛準備學習Google AI的工具，想要開始使用這些工具幫助我發展架構, 工作流程跟撰寫程式。我發覺真的是一場大挑戰。
因為我想寫一套非常嚴謹且高度結構化的量化基本面（Fundamental）投資框架。將這套框架落實在 Google AI 生態系（Vertex AI / Gemini API / Google Cloud Platform） 上，並以 AI Agent（智慧代理）架構 實作，可以大幅提升資料蒐集、情境推演、訊號整合與風險控管的自動化程度與一致性。
以下是四個流程階段:
一、 系統架構：多代理人協作體系（Multi-Agent System）
為了避免單一模型認知過載與幻覺，建議採用 Google Vertex AI Agent Builder / LangGraph on GCP 建構專屬的「投資決策 Agent 群」，各司其職：

二、 各模組 Agent 設計與 Google AI 工具對接

1. Fundamental Agent（基本面估值代理）
   • 任務目標：
   o 解析近 3 年三表數據（營收成長率、毛利率、營業利益率、負債比、存貨週轉、自由現金流 FCF）。
   o 拆解產品、客戶集中度與營運情境（基準、樂觀、保守）。
   o 執行 5 年每股 FCF 折現模型（DCF）與參數敏感度分析。
   • Google AI / 雲端工具結合：
   o Structured Outputs / JSON Mode：設定 Gemini 1.5 Pro 強制輸出標準化 JSON（包含營收成長率假設、WACC、終值成長率）。
   o Code Execution（代碼執行環境）：利用 Gemini 內建的 Python Code Execution 或 GCP Cloud Run / Cloud Functions 工具，將 DCF 數學公式交給 Python 程式庫計算（而非讓 LLM 自己做心算加減乘除），確保估值區間精準無誤。
   o BigQuery：存放標準化財務特徵庫，供模型快速橫向比較跨公司指標。
2. Event & Industry Agent（產業、供應鏈與事件代理）
   • 任務目標：
   o 梳理供需結構、滲透率、競爭態勢與替代風險。
   o 追蹤原料、代工、通路集中度。
   o 建立近 2 年重大事件日誌（公告日、發生日、可信來源、市場反應）。
   • Google AI / 雲端工具結合：
   o Google Search Grounding（搜尋接地技術）：直接掛載 Google Search 工具，即時擷取可信度高的官方公告、法說會紀要與財經新聞，並要求附帶引用來源與時間戳。
   o Vertex AI Search（企業級 RAG）：將公司近幾季的 10-K/10-Q、法說會簡報（PDF）向量化存入 Vector Search，讓 Agent 能精確檢索產品量價變化與客戶集中度細節。
   o 長上下文窗口（Long-Context Window）：運用 Gemini 1.5 系列的超長 Context（高達 100 萬~200 萬 tokens），直接一次餵入公司近 3 年所有季報與逐字稿，進行全歷史脈絡交叉分析。
3. Technical Agent（技術動能與訊號代理）
   • 任務目標：
   o 讀取近 2 年日 K 線資料，計算 20MA、50MA、200MA 及成交量均線。
   o 偵測突破整理區間、均線黃金交叉、帶量突破或破線轉弱訊號。
   • Google AI / 雲端工具結合：
   o Function Calling（函式呼叫）：LLM 本身不適合直接畫線看盤，應建立客製化 Function（如 fetch_market_data、calculate_indicators、detect_chart_patterns），Agent 根據規則呼叫 Python pandas-ta 或 ta-lib，回傳純數值指標與訊號標籤。
   o 多模態（Multimodal）視覺輔助：可將自動繪製好的 K 線指標圖直接傳給 Gemini Vision，請模型輔助判讀型態（如頭肩頂、底底高、杯柄型態），作為數值指標的補充驗證。
4. Master Portfolio & Risk Agent（主控決策與風控代理）
   • 任務目標：
   o 標準化各模組評分（財務品質、成長性、估值安全邊際、動能強度、事件風險）。
   o 依產業特性動態配置權重，輸出最終買賣決策、停損點與部位建議（Position Sizing）。
   o 檢查投資組合限制（單一標的上限、產業曝險上限、現金安全水位）。
   • Google AI / 雲端工具結合：
   o System Instructions 與 Few-Shot 提示工程：將嚴格的風控規則（如：基本面無安全邊際時禁止單憑技術面做多、破 200MA 強制減碼）寫入 System Prompt 作為不可逾越的「憲法邊界」。
   o 決策審計日誌（Audit Log）：將每次決策原因、推論鏈（Chain of Thought）、預期情境與停損條件完整寫入 Firestore 或 Cloud Storage，供事後檢討與稽核。

三、 資料優化與回測驗證實作流程
要達到您所說的「對每一項數據優化，使預測與部位建置做出最有效貢獻」，落地上需經過嚴格的特徵工程與驗證：
[原始資料庫] ──> [資料標準化與特徵工程] ──> [歷史回測 (含交易成本/滑價)]
│
▼
[持續學習/覆盤] <── [樣本外驗證 (OOS)] <── [走動向前最佳化 (Walk-Forward)]

1. 數據標準化與特徵工程：
   o 將財務比率轉換為 Z-Score 或百分位數（Percentile），消除跨產業規模差異。
   o 將技術訊號進行離散化或動能打分（如 20MA 斜率、成交量放大倍數）。
2. 回測嚴謹性控制：
   o 消除前視偏誤（Look-Ahead Bias）：財報數據必須使用「公告發布日」而非「財報期末日」（例如 Q1 財報通常在 5/15 前公布，5/15 之前回測不能取得該數據）。
   o 消除存活偏誤（Survivorship Bias）：回測標的池必須納入過去已下市、被併購或破產之公司。
   o 交易摩擦成本：每次模擬進出場均扣除交易手續費、證券交易稅及市場滑價（Slippage）。
3. Walk-Forward 走動向前驗證：
   o 切分訓練集（最佳化評分權重）與樣本外（Out-of-Sample）測試集，定期滾動調整參數，避免對歷史過度配適（Overfitting）。

四、 階段性落地實施步驟（Roadmap）
• 階段一：原型建置（Prompting & Function Calling）
o 在 Google AI Studio 測試 Gemini 1.5 Pro 的 Function Calling 能力。
o 實作 DCF 計算器與技術指標計算的 Python API，讓單一 Agent 能夠呼叫工具完成個股綜合評分。
• 階段二：自動化工作流與 RAG 整合
o 在 GCP Vertex AI 上佈署資料管線（Cloud Functions / Cloud Run）。
o 串接 Vertex AI Search，建立上市櫃公司公告與產業報告的專屬知識庫。
• 階段三：歷史回測與決策追蹤系統
o 使用歷史數據回溯測試 Agent 在關鍵轉折點（如大跌段、財報暴雷期）的決策品質。
o 建立自動化追蹤儀表板（可使用 Looker Studio 串接 BigQuery），每日自動產出追蹤清單、評分變動與覆盤報告。
我要依照上面的架構， 以「價值、趨勢、風控」嚴密邏輯做基礎，轉化為具備可重複性、可自動化運算與客觀稽核的 AI Agent 投資分析系統。但我也預期在未來剩餘的28天中，可能要在撰寫程式中如果發現新的有用的參數時，我會測試修正加入我的模型。