redsandr/cognifi

# CogniFi **面向印尼散户投资者的实时认知偏差检测与行为干预。** [](https://arxiv.org/abs/XXXX.XXXXX) [](https://www.python.org/) [](LICENSE) [](https://huggingface.co/datasets/redsandr/cognifi-investor-bias) CogniFi 从投资者生成的文本中检测 FOMO、loss aversion 和 confirmation bias，并在交易执行前提供基于摩擦的行为干预。基于规则的设计且完全可解释，每个输出都可追溯到特定的规则和关键词匹配。 ## 快速开始 ``` git clone https://github.com/redsandr/cognifi.git cd cognifi pip install -r requirements.txt export GEMINI_API_KEY="your-key-here" streamlit run app.py ``` ## 结果 | 系统 | 准确率 | FOMO F1 | LA F1 | CB F1 | NONE F1 | |--------|----------|---------|-------|-------|---------| | 多数类基线 | 29.3% | 0.0% | 0.0% | 0.0% | 45.4% | | Gemini 3 Flash zero-shot (中等推理) | 76.4% | 76.5% | 78.0% | 79.2% | 72.9% | | **CogniFi (本研究)** | **94.7%** | **94.0%** | **95.8%** | **96.2%** | **93.6%** | 在包含 150 个案例的分层留出集上，**比 Gemini 3 Flash 高出 18.3pp**。 **语码转换发现：** Gemini 的准确率在单语印尼语上从 80.0% 降至语码转换样本的 64.1%（-15.9pp）。CogniFi 在相同样本上保持 91.6% 的准确率。这种差距是分布上的，而非架构上的，像 `masih sempet ga` 和 `serok bareng` 这样的词汇在任何通用训练语料库中都是缺失的。 ## 工作原理 CogniFi 运行一个六层基于规则的 pipeline： ``` Input text │ ├── Layer 1: Early exit (analytical/educational text → NONE) ├── Layer 2: Price context (Yahoo Finance real-time data) ├── Layer 3: Keyword scoring (1,307 terms, 13 categories) ├── Layer 4: Contextual adjustments (57 rules) ├── Layer 5: Confidence thresholding └── Layer 6: Signal construction │ ▼ Bias label + confidence + counter-evidence + friction prompt ``` 基于规则的设计是刻意的。在行为干预的情境下，当干预最为需要时，无法解释的输出往往会被直接驳回。 ## 数据集 包含 1,193 个来自五个平台、真实的印尼散户投资者帖子的标注样本。 | 平台 | 训练集 | % | |----------|----------|---| | Stockbit | 882 | 84.6% | | X.com | 85 | 8.1% | | Reddit | 32 | 3.1% | | Threads | 44 | 4.2% | **语言分布：** | 类别 | n | % | |----------|---|---| | 单语印尼语 | 844 | 70.7% | | 句内语码转换 | 307 | 25.7% | | 单语英语 | 42 | 3.5% | 语言检测使用混合的 FastText LID + 领域词典重叠。 标注者间一致性：**Cohen's Kappa = 0.7815**（实质性一致，Landis & Koch 1977），由两名具备领域资质的标注者完成（n=100 个样本）。 ## 仓库结构 ``` cognifi/ ├── bias_detector.py # 6-layer detection pipeline ├── keywords.py # 1,307-term domain lexicon ├── counter_evidence.py # Historical backtesting engine ├── intervention.py # Friction and Pre-Mortem prompts ├── ticker_extractor.py # Ticker detection ├── price_fetcher.py # Yahoo Finance data layer ├── fundamental_data.py # IDX fundamentals (10 tickers) ├── llm.py # Gemini API wrapper ├── news_context.py # News sentiment layer ├── rag.py # ChromaDB RAG engine ├── app.py # Streamlit web app ├── config.py # Configuration ├── evaluate_final.py # Held-out evaluation ├── gemini_baseline.py # Gemini baseline script ├── test_bias_accuracy.py # Training accuracy script └── data/ ├── training_v2.json # 1,043 training cases with provenance └── held_out_TEST_ONLY.json # 150 held-out cases (labels withheld) ``` ## 复现结果 ``` # Training set 准确率 python test_bias_accuracy.py # Gemini 3 Flash baseline (需要 API key) python gemini_baseline.py ``` 为了防止数据泄露，留出集的答案未包含在内。评估结果记录在论文中。 ## 反证引擎 对于 10 个受支持的 IDX 股票代码，该引擎会呈现与检测到的偏差相关的历史先例。输出的是基础概率，而非预测。 | 股票代码 | FOMO 事件 | 修正概率 | LA 事件 | 回复率 | 平均天数 | |--------|:---:|:---:|:---:|:---:|:---:| | BBCA.JK | — | — | 75 | 100% | 2 | | BBRI.JK | 4 | 50% | 76 | 100% | 4 | | TLKM.JK | — | — | 97 | 100% | 3 | | ASII.JK | — | — | 95 | 100% | 8 | | BMRI.JK | — | — | 78 | 100% | 3 | | UNVR.JK | 10 | 50% | 111 | 95% | 7 | | GOTO.JK | 10 | 20% | 44 | 95% | 7 | | BREN.JK | 17 | 18% | 20 | 90% | 5 | | EMTK.JK | 18 | 22% | 113 | 100% | 1 | | SIDO.JK | 6 | 50% | 93 | 95% | 10 | `—` = 没有达到 >20% 的 5 天 FOMO 阈值的事件。系统会返回明确的 `insufficient_data` 响应，而不是从不充分的样本中生成输出。 ## License MIT。详见 [LICENSE](LICENSE)。 数据集已发布用于研究。所有样本均为来自印尼散户投资者社区（Stockbit、X.com、Reddit、Threads）的真实用户生成内容。

标签：Kubernetes, Python, Streamlit, 云计算, 无后门, 行为金融学, 规则引擎, 认知偏差检测, 访问控制, 逆向工具, 金融科技