FinGenius : un agent IA pour les actions A qui construit son rapport par le débat

FinGenius est une application d'analyse financière par IA centrée sur le marché des actions A en Chine. L'idée est de confier à un ensemble d'agents la routine d'une équipe de recherche : plusieurs spécialistes examinent la même question sous des angles différents, puis en débattent. Les documents décrivent une architecture multi-agents fondée sur la théorie des jeux, avec 16 agents spécialisés (sentiment, capitaux spéculatifs, contrôle des risques et autres) qui se répartissent le travail et produisent un rapport financier consolidé.

La différence avec un chatbot à un seul tour tient au processus : un environnement Research mène l'analyse collaborative, un environnement Battle mène un débat structuré, et le résultat complet passe de l'un à l'autre. Les documents mentionnent aussi la théorie des jeux pour optimiser les décisions et un algorithme de mémoire qui enregistre les habitudes d'investissement de l'utilisateur pour personnaliser l'analyse. Ce qui est produit reste un matériau d'analyse, pas un conseil en investissement.

Ce qu'il fait

• Système multi-agents de débat : Les agents sentiment, capitaux spéculatifs et contrôle des risques examinent chacun une face différente du même titre, puis leurs conclusions sont fusionnées en un rapport. Les documents présentent cela comme une simulation des interactions entre acteurs de marché, plutôt qu'un modèle unique répondant en une passe.
• Architecture à deux environnements : L'environnement Research traite l'analyse collaborative, l'environnement Battle le débat structuré, ce qui reproduit le trajet réel de la recherche à la décision.
• Débat cumulatif : L'environnement Battle reprend toutes les discussions précédentes des spécialistes comme contexte : chaque tour s'appuie sur les précédents au lieu d'aligner des prises de position sans réponse.
• Intégration de données et rapports : Plusieurs sources de données sont combinées en un rapport structuré et multimodal qui extrait l'information clé et les points de risque.
• Traitement en temps réel et alertes : Les documents annoncent un traitement en millisecondes de gros volumes de données financières et une surveillance en temps réel des anomalies pour repérer les risques tôt.
• Intégration d'outils MCP : La collaboration entre modèles repose sur le Model Context Protocol, que les documents décrivent comme un écosystème d'outils financiers prêts à brancher.

Comment l'utiliser

1. Ouvrez fingenius.cn ou installez l'application mobile (les documents indiquent sa présence sur les boutiques Honor, Xiaomi et Vivo), puis créez un compte et connectez-vous.
2. Réglez les paramètres d'analyse et les conditions d'alerte selon vos habitudes. Les documents parlent de personnalisation ; les réglages réellement disponibles sont à vérifier dans le produit.
3. Soumettez le titre ou la question et laissez un cycle complet se dérouler : d'abord l'analyse conjointe des agents, puis la phase de débat.
4. À la lecture du rapport, regardez trois choses : sur quelles données repose la conclusion, quels risques ont été signalés et quels désaccords ne se sont pas résolus. Le dernier point est souvent le plus utile.
5. Pour l'exploiter vous-même, récupérez le code du dépôt HuaYaoAI/FinGenius sur GitHub et installez-le avec conda ou uv comme l'indique le guide du dépôt.
6. Après le déploiement, modifiez le fichier de configuration pour ajouter la clé API, puis utilisez les arguments de ligne de commande pour le format de sortie, l'enregistrement des résultats et la synthèse vocale. Le nombre d'étapes des agents et de tours de débat est aussi réglable.

À quoi cela sert

• Matière à décision : un matériau d'analyse pour titres et portefeuilles qui raccourcit la collecte d'informations et le premier raisonnement.
• Gestion des risques : surveillance des anomalies et signalement des risques comme étape habituelle, au lieu d'une enquête après coup.
• Suivi des tendances : un relevé continu des mouvements sectoriels et de marché, comparable dans le temps.
• Travail d'analyse : intégration de données et première version pour les analystes, la décision sur la solidité des conclusions restant humaine.
• Recherche quantitative : des points de départ pour des signaux et des hypothèses de stratégie, encore validés par backtest.

Limites à connaître

• Les documents ne donnent ni prix ni formules, donc la gratuité et le mode de calcul de l'usage sont à vérifier dans la description officielle en vigueur.
• Des formulations comme premier au monde ou précis viennent des documents et relèvent de l'éditeur ; cet article ne les traite pas comme des conclusions vérifiées indépendamment.
• Le traitement en millisecondes et les 16 agents sont des chiffres des documents ; la latence réelle, le nombre d'agents et leur répartition peuvent changer selon les versions.
• Les documents indiquent une présence sur les boutiques Honor, Xiaomi et Vivo et ne précisent pas si d'autres plateformes sont prises en charge.
• Le rapport est un matériau d'analyse, pas un conseil en investissement. Le marché est incertain ; vérifiez les conclusions, car les gains et les pertes restent à l'utilisateur.
• Le débat multi-agents fait apparaître les désaccords mais ne les supprime pas. Le désaccord est souvent la partie la plus instructive.
• Les documents ne divulguent ni la liste des sources de données, ni la fréquence de mise à jour, ni la profondeur historique, ni les autorisations réglementaires ; à confirmer auprès de l'éditeur avant de l'intégrer à un processus formel.

Questions fréquentes

FinGenius est-il destiné aux particuliers ou aux institutions ?

Aux deux, avec des usages différents. Les particuliers l'utilisent pour analyser titres et portefeuilles et surveiller des points de risque ; les institutions pour intégrer des données, préparer une première version de rapport et recevoir des alertes. Les documents ne séparent pas les fonctions personnelles et institutionnelles.

Quelle différence avec un chat IA classique ?

Un chat classique répond en un tour. FinGenius suit un processus : plusieurs agents analysent séparément, entrent en phase de débat et se contestent, puis le résultat est fusionné. Les documents attribuent cette différence à l'architecture multi-agents et au choix des deux environnements.

Le rapport peut-il servir de conseil en investissement ?

Ce n'est pas recommandé. C'est un matériau d'analyse qui met informations et raisonnements sur la table, mais le jugement de marché et le résultat financier restent à l'utilisateur. Les documents ne promettent pas de rendement non plus.

Faut-il le déployer soi-même ?

Non. Le site et l'application mobile s'utilisent directement. Déployer le code GitHub a du sens pour modifier le processus, changer de modèle ou brancher ses propres sources, et cela demande une clé API et un environnement Python.

Augmenter les tours de débat améliore-t-il le résultat ?

Pas forcément. Plus de tours accumulent du contexte, mais peuvent aussi amplifier un désaccord et allonger l'exécution. Les documents disent seulement que le nombre est réglable sans valeur conseillée : à tester selon la tâche.