EML-LQ-AGENT-2026
自適應帳本量化代理框架技術規格
EveMissLab｜依賴：EML-LA-2026（帳本代數）・EML-LQ-2026-v0.1
1. 定位
本文件是將 EML-LQ-2026 從靜態 Excel 原型轉換為自主運行代理（Agent）的完整技術規格。
既有三個構件：
| 構件 | 角色 | 代理中的位置 | |---|---|---| | nanocsv_llm.py | 字元級 Transformer，純 numpy，CSV 持久化 | 智能層佔位符／本地信號模型 | | ledger_experiment.py | A2 守恆公理數值驗證場 | 引擎層約束邏輯的理論依據 | | build_xlsx.py | EML-LQ-2026 Excel 具現化 | 引擎層公式語意的規範來源 |
轉換的核心主張： 三個構件的公式語意對資料來源透明。將合成價格矩陣替換為爬蟲輸出，代理即成立。本文件規格化這條替換路徑，並定義各層的介面契約。
2. 公理 → 代理設計映射
帳本代數五條公理直接決定代理的架構約束。任何實作若違反以下映射，即違反理論基底。
| 公理 | 陳述 | 代理層 | 實作形式 | |---|---|---|---| | A1 封閉 / Cl-1 | 帳本自洽，不引用外部 | 引擎層 | 資本只在 N 資產間重分配，不引入外部槓桿；單純形 Σwᵢ = 1 封閉 | | A2 守恆 / Cl-3 | τ(W) = Σwᵢ ≡ 1 | 引擎層 | 每期乘法更新後強制正規化；每期 LOG 寫入 Σw 稽核欄 | | A3 流 | 更新即資金在資產間流動 | 引擎層 | w_raw = w_prev · exp(η · r)；exp 決定流向與強度 | | A4 邊界（開放性） | 邊界閥控制新資訊進入量 | 引擎層 | η(t) = η_base / (1 + λ·σ(t))；σ 高則帳本傾向封閉 | | A5 層級 / Cl-4 生成 | 框架對 N 泛化，可持續擴張 | 全層 | 所有公式對任意 N 成立；新增資產只需擴展資料層 |
3. 系統架構
代理分三層，資料流單向向下：
┌─────────────────────────────────────────────────┐
│ 資料層 Data Layer │
│ 爬蟲 → OHLCV 清洗 → price matrix P (T×N) │
└──────────────────┬──────────────────────────────┘
│ P(t), P(t-1)
┌──────────────────▼──────────────────────────────┐
│ 引擎層 Engine Layer │
│ r(t) → σ(t) → η(t) → 乘法更新 → A2 守恆 │
│ 輸出：W(t), η(t), τ 稽核 │
└──────────────────┬──────────────────────────────┘
│ history, r(t)
┌──────────────────▼──────────────────────────────┐
│ 智能層 Intelligence Layer │
│ 本地 nanocsv_llm 或外部 LLM API │
│ 輸出：信號修飾子 δ，回注引擎層的 η │
└─────────────────────────────────────────────────┘3.1 資料層
職責： 將任意資料源轉換為引擎層可消費的 clean price matrix。
輸入源（可擇一實作）：
- Yahoo Finance API（
yfinance） - TWSE / TPEX 官方 API
- 自定義 CSV 後端（與現有合成資料格式相容）
- 任何實作
CrawlerInterface的爬蟲
清洗協議（必須執行）：
- 停牌日補值：前向填充（forward-fill），不得插值
- 除權除息：使用還原股價（adjusted close）
- 異常值：單期報酬絕對值 > 20% 觸發人工確認旗標，不自動過濾
- 缺值：超過連續 3 期缺值的資產，從當期 N 中暫時移除並重新正規化
輸出格式：
P: np.ndarray # shape (T, N), dtype=float64
# P[t, j] = 第 t 期第 j 個資產的收盤價
# T >= 2（最少需要一期報酬）
# N >= 13.2 引擎層
職責： 執行帳本更新迴圈，維護 A2 守恆。
引擎層的完整邏輯已在 build_xlsx.py 的工作表 03–05 中以 Excel 公式規格化。以下為等價 Python 語意：
# 報酬計算（對應 03_報酬）
r_t = P[t] / P[t-1] - 1 # shape (N,)
r_market = r_t.mean() # 市場等權報酬
# 波動計算（對應 04_開放閥）
σ_t = std(market_return_history[-window:]) # 滾動標準差
# 開放閥（A4）
η_t = η_base / (1 + λ * σ_t) # 由智能層δ修飾：η_t *= δ
# 乘法更新（A3 流）
w_raw = W_prev * np.exp(η_t * r_t) # shape (N,)
# A2 守恆投影
W_new = w_raw / w_raw.sum() # Σw = 1.000，tolerance 1e-10
# 稽核
assert abs(W_new.sum() - 1.0) < 1e-10 # C1 可驗證點不變式： 引擎層在任何情況下不得繞過 A2 守恆投影。若 w_raw.sum() 接近零（極端崩潰情境），拋出 LedgerCollapseError 而非靜默修正。
3.3 智能層
職責： 從市場歷史與當期信號中生成 η 修飾子 δ，注入引擎層。
智能層是可選模組。若未部署，δ = 1.0（不修飾）。
兩種實作路徑：
路徑 A：本地 nanocsv_llm（現況為 POC）
# 將報酬序列編碼為字元流，送入 nanocsv_llm 生成
signal_text = encode_returns_as_chars(r_history) # 自定義編碼
generated = generate(model, stoi, itos, signal_text, n=8, temp=0.3)
δ = decode_signal(generated) # 解碼為 float誠實標記：現有 nanocsv_llm（D=24，8543 權重）容量不足以做有意義 NLP。此路徑目前是架構佔位符，適合驗證介面正確性。
路徑 B：外部 LLM API（生產建議）
prompt = format_signal_prompt(r_history, W_prev, σ_t)
response = llm_api_call(prompt) # 任何 LLM 端點
δ = parse_delta(response) # 解析為 float，限制在 [0.5, 2.0]δ 的語意：
- δ > 1.0：放大開放度（AI 判斷當前趨勢清晰，加速跟隨）
- δ < 1.0：收縮開放度（AI 判斷當前信號嘈雜，保守守恆）
- δ = 1.0：不干預
安全約束： δ 必須強制 clip 至 [0.1, 5.0]，防止智能層癱瘓引擎層守恆性。
4. 代理迴圈
INIT / RESUME:
IF manifest.exists("weights/manifest.csv"):
state ← load_csv("weights/state_latest.csv")
W ← state.W
t_start ← manifest.last_period + 1
IF manifest.params_hash ≠ sha256(η_base, λ, window, sorted(assets)):
WARN "參數已變更，從 t={t_start} 起以新參數繼續，寫入升版記錄"
IF manifest.data_source ≠ crawler.source_id:
WARN "資料源切換，歷史連續性需人工確認"
ELSE:
W ← [1/N, ..., 1/N] # 等權起始，A1 封閉
t_start ← 1
manifest.create(framework_version, params_hash, crawler.source_id)
history ← load_log("weights/log/") # 載入歷史 LogRecord（可為空）
model ← load_csv("weights/") # nanocsv_llm 若使用路徑 A
LOOP (每期 t = t_start, t_start+1, ...):
── FETCH ──────────────────────────────────────────
P_t ← crawler.get_prices(assets, date=t)
validate(P_t) # 清洗協議 §3.1
── TRANSFORM ──────────────────────────────────────
r_t ← P_t / P_{t-1} - 1
σ_t ← rolling_std(history.market_returns, window)
── DECIDE (optional) ──────────────────────────────
δ ← intelligence_layer(history, r_t) # 若未部署：δ = 1.0
── ADAPT ──────────────────────────────────────────
η_t ← (η_base / (1 + λ·σ_t)) * δ # A4 開放閥
── UPDATE ─────────────────────────────────────────
w_raw ← W * exp(η_t * r_t) # A3 流
── CONSERVE ───────────────────────────────────────
W ← w_raw / sum(w_raw) # A2 守恆
── LOG ────────────────────────────────────────────
record ← {
timestamp: utcnow(), # UTC 執行時間 [C6]
period: t,
framework_version: FRAMEWORK_VERSION, # "EML-LQ-AGENT-2026-v0.1" [C7]
params_hash: sha256(η_base, λ, window, sorted(assets)), # [C7]
intelligence_version: llm_model_string, # 路徑 B: LLM model ID；路徑 A: "nanocsv_llm-local"
data_source: crawler.source_id,
data_fetched_at: crawler.last_fetch_time,
data_valid_until: crawler.cache_expiry, # 逾期觸發強制重新抓取
assets: assets, # 本期實際 N（動態變化時記錄差異）
W, r_t, η_t, σ_t, δ,
τ_check: sum(W) # A2 稽核，應 ≡ 1.000
}
history.append(record)
save_csv(log=record, "weights/log/log_{timestamp}.csv") # 每期一份，不覆寫
save_csv(state=W, "weights/state_{timestamp}.csv") # 不可變快照
save_csv(state=W, "weights/state_latest.csv") # 覆寫最新 [C3]
manifest.update(t, record.timestamp, record.params_hash, record.data_source)
END LOOP5. 模組介面規格
完整型別定義，用於任何語言實作的對接基準。
class CrawlerInterface:
def get_prices(
assets: List[str],
date: datetime,
lookback: int = 1
) -> np.ndarray: # shape (lookback, N), float64
...
class LedgerEngine:
def step(
P_prev: np.ndarray, # shape (N,), 前期價格
P_curr: np.ndarray, # shape (N,), 當期價格
W_prev: np.ndarray, # shape (N,), 前期權重，sum = 1
η_base: float, # 開放閥基準
λ: float, # 波動敏感度
σ_t: float, # 當期市場波動
δ: float = 1.0 # 智能層修飾子
) -> Tuple[np.ndarray, float, float]:
# 返回 (W_new, η_t, τ_check)
# 不變式：abs(W_new.sum() - 1.0) < 1e-10
...
class IntelligenceLayer:
def signal(
history: List[dict], # 歷史 LOG 記錄
r_t: np.ndarray # shape (N,), 當期報酬
) -> float: # δ，強制 clip [0.1, 5.0]
...
class PersistenceLayer:
def save(state: dict, path: str) -> None: ...
def load(path: str) -> dict: ...
# 保證：save → load → 引擎輸出位元級一致 [C3]5.1 持久化狀態規格
# Manifest（版本清單）：weights/manifest.csv
# 每期覆寫更新，單一檔案，記錄代理的全域狀態
ManifestSchema = {
"framework_version": str, # "EML-LQ-AGENT-2026-v0.1"
"created_at": datetime, # 代理首次啟動的 UTC 時間
"last_updated_at": datetime, # 最近一次 LOG 寫入的 UTC 時間
"last_period": int, # 最近完成的帳本期數 t
"params_hash": str, # sha256(η_base, λ, window, N, sorted(assets))
"data_source": str, # 最近使用的資料源 ID
"last_data_fetched": datetime, # 最近資料抓取時間
"snapshot_latest": str, # 最新快照的完整檔名
}
# LogRecord（每期一份，永不覆寫）：weights/log/log_{timestamp}.csv
# 完整的稽核軌跡；路徑 B 的 LLM 以最近 K 筆作為 context memory
LogRecord = {
"timestamp": datetime, # UTC，本期引擎執行時間 [C6]
"period": int, # 帳本內部期數 t
"framework_version": str, # [C7]
"params_hash": str, # 跨期一致則無參數漂移 [C7]
"intelligence_version": str, # 路徑 B: LLM model ID；路徑 A: "nanocsv_llm-local"
"data_source": str, # 資料源 ID
"data_fetched_at": datetime, # 資料實際抓取時間
"data_valid_until": datetime, # 快取有效期，逾期強制重新抓取
"assets": List[str], # 本期實際資產列表（N 可動態變化）
"W": List[float], # 本期帳本權重
"r_t": List[float], # 本期各資產報酬
"η_t": float,
"σ_t": float,
"δ": float,
"τ_check": float, # Σw，應 ≡ 1.000 [C1]
}
# 目錄結構
# weights/
# manifest.csv ← 版本清單，每期覆寫更新
# state_latest.csv ← 最新 W 快照，每期覆寫
# state_{timestamp}.csv ← 帶時間戳的不可變快照
# log/
# log_{timestamp}.csv ← 每期一份，永不覆寫路徑 B 的連續性機制： 每次 LLM call 時，從 weights/log/ 載入最近 K 筆 LogRecord 作為 context，LLM 藉此感知歷史狀態、參數版本、資料源切換等事件，實現跨期連續判斷。K 受 LLM context window 限制，建議 K = 20–50。
6. 擴展協議
6.1 新增資產（擴展 N）
CrawlerInterface：加入新 ticker- 引擎層：N 自動感知，公式語意不變（A5）
- 初始化：若代理已運行，插入新資產時 W 重新正規化，歷史 W 補零
6.2 替換資料源
實作 CrawlerInterface 協議即可。引擎層對資料源透明，清洗協議（§3.1）仍須執行。
6.3 升級 AI 組件
- nanocsv_llm → 外部 LLM：實作
IntelligenceLayer的路徑 B - δ 的語意契約不變，引擎層無需修改
- 升級不影響 A2 守恆性（守恆在引擎層，與智能層隔離）
6.4 從 Excel 原型遷移
build_xlsx.py 已完整定義引擎層語意。遷移路徑：
02_價格→ 爬蟲輸出的 P matrix03_報酬→LedgerEngine.step()內部計算04_開放閥→LedgerEngine.step()內部計算05_帳本權重→LedgerEngine.step()輸出06_淨值→ LOG 後處理
7. 可驗證點
延續 nanocsv_llm.py README 風格的 True/False/Error 格式。
| 編號 | 名稱 | 驗證方式 | 通過條件 | |---|---|---|---| | C1 | A2 守恆 | 每期 assert abs(W.sum() - 1.0) < 1e-10 | 全部期數 True | | C2 | η-σ 反向 | corr(η_history, σ_history) < 0 | 相關係數 < -0.9 | | C3 | 持久性 | save → load → engine.step() 輸出比對 | 位元級一致 | | C4 | δ 安全邊界 | 全期 δ ∈ [0.1, 5.0] | 無一越界 | | C5 | 帳本崩潰保護 | 極端情境注入（所有 r_t = -0.99） | 拋出 LedgerCollapseError，不靜默 | | C6 | 時間戳單調性 | log[t].timestamp > log[t-1].timestamp 全期成立 | 全部 True；亂序寫入即 Error | | C7 | 參數一致性 | 跨期 params_hash 對比 manifest | 一致；不一致時 manifest 需存在明確升版時間戳 |
8. 誠實標記
演算法歸屬： 乘法更新屬 exponentiated gradient（EG）族，Cover & Ordenthal 1996 的 universal portfolio 脈絡。非新演算法。
本框架新意：
- 帳本代數（EML-LA A1-A5）作為代理的自適應控制層——公理直接決定架構約束
- τ(W) = Σwᵢ ≡ 1 守恆作為可視稽核，不只是正規化步驟
- 三層介面分離：資料源替換、AI 組件升級、引擎邏輯不互相污染
當前限制：
nanocsv_llm（D=24，8543 權重，23 字元詞表）容量不足以做有意義 NLP；智能層目前是架構佔位符- 乘法更新在極端波動下可能使某些資產權重趨近零，需監控
W.min()設定下限閾值 - 資料清洗協議（§3.1）目前為規格，尚無實作；實際部署前需驗證
資料說明： build_xlsx.py 使用合成資料（含一次 t=30 regime 切換）。代理使用前須替換為實際市場資料並重新驗證 C1-C5。
9. 分散式自適應帳本量化代理架構（D-ALAN）
本節為理論前瞻，描述 EML-LQ-AGENT-2026 的長期演化目標，而非當前實作規格。
9.1 核心主張
單節點代理的根本限制是認識論上的：任何單一資料源和單一模型都是世界的局部投影。EML-LQ-AGENT 的 A4 開放閥和 A5 可擴張性在邏輯上指向同一個結論——這個框架的自然擴張不是把單節點做大，而是把它複製成網路，讓節點之間的張力本身成為資訊來源。
開源是這個架構的前提，不是附加品。多樣性需要獨立實作；獨立實作需要開放規格。封閉的分散式系統只是分散的單點故障。
9.2 分散式節點架構
網路由 M 個獨立節點組成，每個節點是一個完整的 EML-LQ-AGENT 實例，但具備以下差異性要求：
節點 i 的差異性要求：
data_source_i ≠ data_source_j （資料來源獨立）
model_i ≠ model_j （AI 組件型別獨立）
η_base_i, λ_i 可不同 （參數空間探索）
assets_i ⊇ assets_core （核心資產集共享，邊緣可各自擴展）節點間共享的是結構（帳本代數公理 A1-A5）而非狀態。每個節點獨立維護自己的 manifest + LogRecord，不存在全局一致性要求——分歧本身是信號。
跨節點比對週期性執行：
CROSS_VALIDATE（每 K 期）：
收集所有節點的 W_i（當前帳本權重向量）
計算節點間距離矩陣 D[i,j] = ||W_i - W_j||_1
IF D[i,j] > threshold:
標記（i, j）為高分歧對，觸發資料品質調查
節點共識估計：W_consensus = weighted_mean(W_i)，權重由歷史準確度決定9.3 生成對抗數據機制
這裡的 GAN 類比需要一個修正：金融市場中不存在獨立於共識之外的「真實價格」——價格本身就是共識的具現。因此，這個機制追求的不是發現預存的真相，而是構造更可靠的共識估計，這在認識論上是不同的任務。
機制：
生成器（Generators）：各節點的資料來源，各自產生價格序列 P_i(t)
判別器（Discriminators）：跨節點比對邏輯，識別異常節點
對抗壓力：
IF node_i 的 P_i 持續與多數節點分歧：
node_i 的 W_i 被下調在 W_consensus 中的權重
觸發 node_i 重新審查 data_source_i 的可信度
收斂條件：
各節點的 W_i 在統計意義上趨近，波動幅度受 σ_consensus 描述
不要求完全一致——殘差分歧是市場不確定性的自然反映隨著對抗輪次累積，系統性偏差的資料源會被邊緣化，多源交叉驗證的殘差成為數據品質的隱式指標。這是對 A4 開放性的網路級詮釋：節點網路作為整體的「開放閥」，由節點間張力控制。
9.4 因果 AI 自主層
當前代理的 AI 組件是反應式的：觀察 r_t，輸出 δ。這對應因果推理的最低層——統計關聯。
演化路徑分三個階段：
階段一（當前）：關聯反應 AI 辨認模式（r_t 的統計特徵），輸出 δ 修飾 η。資料來源被動接受，FETCH 是盲目的。
階段二：因果模型 AI 建立顯式因果圖（X → Y，而非 corr(X,Y)）。DECIDE 步驟從輸出單一 δ，變為輸出對不同資產的差異化 δ_j，基於「哪個變數因果驅動哪個資產」的判斷。資料仍然被動抓取，但處理是因果感知的。
階段三：主動驗證與自主統籌 AI 具備主動性後，FETCH 步驟發生質變：
FETCH（因果AI版本）：
AI 根據當前因果模型提出假設 H：
"如果 X 是驅動因，則 source_A 的數據應比 source_B 更早反映 Y"
主動查詢多個來源，設計驗證 H 的抓取策略
比對結果，更新因果圖
IF 數據與 H 矛盾：重新評估 source 可信度，非靜默接受這個階段的 AI 不再是引擎的修飾器，而是整個 FETCH-TRANSFORM-DECIDE 迴圈的統籌者。人的角色從操作層退到架構層：設定公理約束（A1-A5）、定義哪些是不可違反的邊界，而不再介入每期決策。
9.5 演化路徑
MVP（現在）
單節點、合成資料、nanocsv_llm 佔位
→ 驗證帳本代數公理在可執行系統中的一致性
v1.0（開源 + 真實資料）
單節點、真實爬蟲、路徑 B LLM
→ 驗證 C1-C7 在生產環境成立
v2.0（多節點網路）
M 個獨立節點、CROSS_VALIDATE 機制上線
→ 對抗數據機制開始累積有效樣本
v3.0（因果AI統籌）
階段三主動驗證、節點共識驅動 W_consensus
→ 系統具備自主識別數據品質的能力
終態（D-ALAN）
開放節點網路、因果AI自主統籌、人退出操作層
→ 帳本代數作為不可違反的架構基底，其餘由網路動態演化EveMissLab EML-LQ-AGENT-2026 / 依賴 EML-LA-2026-v0.1