TradingAgents 多智能体交易框架

项目概述

TradingAgents 是一个多智能体大语言模型金融交易框架，模拟真实交易公司的运作方式。它通过部署由 LLM 驱动的专业智能体（包括基本面分析师、情绪专家、技术分析师、交易员和风险管理团队），协同评估市场状况并作出交易决策。这些智能体之间会展开动态讨论以确定最优策略。框架基于 LangGraph 构建，强调灵活性与模块化，主要面向研究用途，不构成金融或投资建议。

系统架构

框架将复杂的交易任务拆解为多个专业角色：

分析师团队

• 基本面分析师：评估公司财务数据与业绩指标，识别内在价值与潜在风险信号。
• 情绪分析师：聚合新闻标题、StockTwits 与 Reddit 讨论，形成单一情绪读数以判断短期市场情绪。
• 新闻分析师：监控全球新闻与宏观经济指标，解读事件对市场的影响。
• 技术分析师：利用 MACD、RSI 等技术指标识别交易形态并预测价格走势。

研究员团队

由看多与看空研究员组成，对分析师团队的洞察展开结构化辩论，在潜在收益与内在风险之间取得平衡。

交易员智能体

综合分析师与研究员报告后作出交易决策，确定交易时机与规模。

风险管理与投资组合经理

持续评估投资组合风险（市场波动率、流动性等），审核并调整交易策略，最终由投资组合经理批准或拒绝交易提案。批准后的订单将发送至模拟交易所执行。

安装与 CLI

安装步骤

git clone https://github.com/TauricResearch/TradingAgents.git
cd TradingAgents
conda create -n tradingagents python=3.12
conda activate tradingagents
pip install .

Docker 部署

cp .env.example .env  # 填入 API 密钥
docker compose run --rm tradingagents
# 本地模型使用 Ollama
docker compose --profile ollama run --rm tradingagents-ollama

支持的 LLM 提供商

框架支持 OpenAI、Google Gemini、Anthropic Claude、xAI Grok、DeepSeek、Qwen（阿里 DashScope 国际/中国端点）、GLM（智谱）、MiniMax（全球/中国）、OpenRouter、Azure OpenAI 以及本地 Ollama 模型。所有密钥可通过环境变量或 .env 文件配置。

CLI 使用

tradingagents
# 或 python -m cli.main

交互界面支持选择股票代码、分析日期、LLM 提供商与研究深度。

市场与代码支持

支持 Yahoo Finance 覆盖的所有市场：美股（如 AAPL）、港股（0700.HK）、日股（7203.T）、伦敦（AZN.L）、印度（RELIANCE.NS）、加拿大、澳大利亚、A 股（600519.SS）以及加密货币（BTC-USD）。

Python 包用法

from tradingagents.graph.trading_graph import TradingAgentsGraph
from tradingagents.default_config import DEFAULT_CONFIG

config = DEFAULT_CONFIG.copy()
config["llm_provider"] = "openai"
config["deep_think_llm"] = "gpt-5.5"        # 复杂推理模型
config["quick_think_llm"] = "gpt-5.4-mini"  # 快速任务模型
config["max_debate_rounds"] = 2

ta = TradingAgentsGraph(debug=True, config=config)
_, decision = ta.propagate("NVDA", "2026-01-15")
print(decision)

持久化与恢复

决策日志

每次完成的运行都会将决策追加到 ~/.tradingagents/memory/trading_memory.md。下次运行相同代码时，框架会获取实际收益率并生成反思段落，将近期决策注入投资组合经理的提示中。可通过 TRADINGAGENTS_MEMORY_LOG_PATH 自定义路径。

检查点恢复

通过 --checkpoint 启用后，LangGraph 会在每个节点后保存状态，崩溃或中断的运行将从上次成功的步骤恢复而非重新开始。检查点存储于 ~/.tradingagents/cache/checkpoints/<TICKER>.db，可通过 --clear-checkpoints 重置。

可复现性说明

由于基于 LLM，相同代码与日期的两次运行结果可能不同，这属于语言模型采样的内在特性。变化来源包括：模型采样的非确定性、实时新闻与社交媒体数据的更新。可通过降低 temperature（或设置 TRADINGAGENTS_TEMPERATURE）减少波动；当前主流推理模型基本忽略温度参数，如需更严格可复现性，应显式选择非推理模型。已修复的问题包括：公司身份确定性解析以及行情分析师对价格与指标的事实校验。回测结果无法保证与已发表数据完全一致，应将框架视为研究脚手架而非具有固定收益的策略。