13 KiB

Raw Blame History

TradingAgents 核心架构与逻辑指南

📋 项目概述

TradingAgents是一个基于多代理大语言模型的金融交易分析框架，模拟真实交易公司的运作模式。通过多个专门的AI代理协作，从不同维度分析市场数据，最终形成综合的交易决策建议。

🏗️ 整体架构

核心设计理念

TradingAgents采用多代理协作的设计模式，每个代理都有明确的角色定位和职责分工：

┌─────────────────────────────────────────────────────────────┐
│                    TradingAgents 架构图                      │
├─────────────────────────────────────────────────────────────┤
│  数据层 (Data Layer)                                        │
│  ┌─────────┬─────────┬─────────┬─────────┬─────────┐        │
│  │Yahoo    │FinnHub  │Reddit   │Google   │技术指标  │        │
│  │Finance  │数据     │数据     │News     │计算     │        │
│  └─────────┴─────────┴─────────┴─────────┴─────────┘        │
├─────────────────────────────────────────────────────────────┤
│  代理层 (Agent Layer)                                       │
│  ┌─────────┬─────────┬─────────┬─────────┬─────────┐        │
│  │市场分析师│基本面分析师│新闻分析师│社交媒体分析师│风险管理  │        │
│  └─────────┴─────────┴─────────┴─────────┴─────────┘        │
│  ┌─────────┬─────────┬─────────┬─────────┬─────────┐        │
│  │看涨研究员│看跌研究员│研究经理  │交易员   │风险经理  │        │
│  └─────────┴─────────┴─────────┴─────────┴─────────┘        │
├─────────────────────────────────────────────────────────────┤
│  协调层 (Coordination Layer)                                │
│  ┌─────────┬─────────┬─────────┬─────────┐                  │
│  │图构建   │状态管理  │条件逻辑  │信号处理  │                  │
│  └─────────┴─────────┴─────────┴─────────┘                  │
├─────────────────────────────────────────────────────────────┤
│  决策层 (Decision Layer)                                    │
│  ┌─────────┬─────────┬─────────┐                            │
│  │辩论机制  │风险评估  │最终决策  │                            │
│  └─────────┴─────────┴─────────┘                            │
└─────────────────────────────────────────────────────────────┘

🚀 代码入口与执行流程

1. 主要入口点

入口1: 直接运行 (main.py)

# 导入核心模块
from tradingagents.graph.trading_graph import TradingAgentsGraph
from tradingagents.default_config import DEFAULT_CONFIG

# 创建配置
config = DEFAULT_CONFIG.copy()
config["llm_provider"] = "qwen"  # 使用国内免费模型

# 初始化交易代理图
ta = TradingAgentsGraph(debug=True, config=config)

# 运行分析
_, decision = ta.propagate("NVDA", "2024-05-10")

入口2: 命令行界面 (cli/main.py)

python -m cli.main

2. 核心执行流程

graph TD
    A[用户输入: 股票代码+日期] --> B[创建初始状态]
    B --> C[市场分析师]
    C --> D[基本面分析师]
    D --> E[新闻分析师]
    E --> F[社交媒体分析师]
    F --> G[看涨研究员]
    G --> H[看跌研究员]
    H --> I[研究经理]
    I --> J[交易员]
    J --> K[风险分析师]
    K --> L[风险经理]
    L --> M[最终决策]

🔧 核心模块详解

1. 图系统 (tradingagents/graph/)

TradingAgentsGraph - 主协调器

文件: tradingagents/graph/trading_graph.py

核心职责:

初始化所有AI模型和代理
协调整个分析流程
管理状态传递和结果输出

关键方法:

def __init__(self, selected_analysts, debug, config):
    # 初始化AI模型
    # 创建代理节点
    # 设置图结构

def propagate(self, company_name, trade_date):
    # 创建初始状态
    # 执行图流程
    # 返回最终决策

GraphSetup - 图构建器

文件: tradingagents/graph/setup.py

核心职责:

构建LangGraph工作流
定义代理之间的连接关系
设置条件分支逻辑

关键组件:

def setup_graph(self, selected_analysts):
    # 创建分析师节点
    # 创建研究员节点
    # 创建管理节点
    # 定义边连接
    # 设置条件逻辑

Propagator - 状态传播器

文件: tradingagents/graph/propagation.py

核心职责:

创建初始分析状态
管理状态在代理间的传递
控制递归限制

关键方法:

def create_initial_state(self, company_name, trade_date):
    # 初始化状态字典
    # 设置公司信息和交易日期
    # 创建辩论状态

def get_graph_args(self):
    # 返回图执行参数
    # 设置递归限制

ConditionalLogic - 条件逻辑控制器

文件: tradingagents/graph/conditional_logic.py

核心职责:

控制代理间的流程分支
决定是否需要工具调用
管理辩论轮数

关键方法:

def should_continue_market(self, state):
    # 判断市场分析是否需要工具调用

def should_continue_debate(self, state):
    # 判断辩论是否继续

2. 代理系统 (tradingagents/agents/)

分析师代理 (analysts/)

市场分析师 (market_analyst.py)

职责: 技术分析，计算技术指标
工具: Yahoo Finance数据、技术指标计算
输出: 市场趋势报告

基本面分析师 (fundamentals_analyst.py)

职责: 财务分析，评估公司价值
工具: 财务报表数据、内部交易数据
输出: 基本面分析报告

新闻分析师 (news_analyst.py)

职责: 新闻事件分析，宏观影响评估
工具: Google News、FinnHub新闻
输出: 新闻影响报告

社交媒体分析师 (social_media_analyst.py)

职责: 社交媒体情绪分析
工具: Reddit数据、社交媒体API
输出: 情绪分析报告

研究员代理 (researchers/)

看涨研究员 (bull_researcher.py)

职责: 构建看涨论点，寻找投资机会
输入: 所有分析师报告
输出: 看涨分析报告

看跌研究员 (bear_researcher.py)

职责: 构建看跌论点，识别风险因素
输入: 所有分析师报告
输出: 看跌分析报告

管理代理 (managers/)

研究经理 (research_manager.py)

职责: 综合看涨和看跌观点，形成投资计划
输入: 看涨/看跌研究报告
输出: 综合投资计划

风险经理 (risk_manager.py)

职责: 评估投资风险，调整交易策略
输入: 交易建议、风险分析
输出: 最终交易决策

交易代理 (trader/)

交易员 (trader.py)

职责: 基于研究结果制定具体交易策略
输入: 投资计划、市场分析
输出: 交易建议

3. 数据流系统 (tradingagents/dataflows/)

数据接口统一管理 (`interface.py`)

职责: 提供统一的数据访问接口
功能: 封装各种数据源的调用逻辑

具体数据工具

yfin_utils.py: Yahoo Finance数据获取
finnhub_utils.py: FinnHub数据读取（本地缓存）
reddit_utils.py: Reddit数据获取
googlenews_utils.py: Google新闻搜索
stockstats_utils.py: 技术指标计算

4. 状态管理系统

AgentState - 主状态

class AgentState(MessagesState):
    company_of_interest: str          # 目标公司
    trade_date: str                   # 交易日期
    investment_debate_state: InvestDebateState  # 投资辩论状态
    risk_debate_state: RiskDebateState          # 风险辩论状态
    market_report: str                # 市场分析报告
    fundamentals_report: str          # 基本面分析报告
    sentiment_report: str             # 情绪分析报告
    news_report: str                  # 新闻分析报告
    investment_plan: str              # 投资计划
    final_trade_decision: str         # 最终交易决策

🔄 详细执行流程

阶段1: 初始化

配置加载: 读取默认配置，支持自定义配置
模型初始化: 根据配置初始化AI模型（支持国内外多种模型）
代理创建: 创建所有需要的代理节点
图构建: 使用LangGraph构建工作流图

阶段2: 数据分析

市场分析师:
- 获取股票价格数据
- 计算技术指标（RSI、MACD、布林带等）
- 生成技术分析报告
基本面分析师:
- 获取财务报表数据
- 分析内部交易情况
- 生成基本面分析报告
新闻分析师:
- 搜索相关新闻
- 分析宏观环境影响
- 生成新闻影响报告
社交媒体分析师:
- 获取社交媒体数据
- 进行情绪分析
- 生成情绪分析报告

阶段3: 研究辩论

看涨研究员:
- 基于所有分析报告
- 构建看涨论点
- 寻找投资机会
看跌研究员:
- 基于所有分析报告
- 构建看跌论点
- 识别风险因素
研究经理:
- 综合看涨和看跌观点
- 形成平衡的投资计划
- 制定投资策略

阶段4: 交易决策

交易员:
- 基于投资计划
- 制定具体交易策略
- 确定买卖时机和数量
风险分析师:
- 评估交易风险
- 进行压力测试
- 提供风险建议
风险经理:
- 综合所有信息
- 做出最终交易决策
- 输出最终建议

🛠️ 关键特性

1. 多模型支持

国外模型: OpenAI GPT、Anthropic Claude、Google Gemini
国内模型: 通义千问、文心一言、智谱AI、月之暗面Kimi

2. 灵活配置

可选择不同的分析师组合
可调整辩论轮数
支持在线/离线数据模式

3. 状态管理

完整的状态跟踪
支持调试模式
状态持久化

4. 工具集成

丰富的金融数据源
技术指标计算
新闻和社交媒体数据

📊 数据流图

graph LR
    A[用户输入] --> B[TradingAgentsGraph]
    B --> C[Propagator创建初始状态]
    C --> D[GraphSetup构建工作流]
    D --> E[分析师代理执行]
    E --> F[研究员代理辩论]
    F --> G[管理代理决策]
    G --> H[最终输出]
    
    E --> I[数据工具调用]
    I --> J[Yahoo Finance]
    I --> K[FinnHub数据]
    I --> L[Reddit数据]
    I --> M[Google News]

🔍 调试与监控

调试模式

ta = TradingAgentsGraph(debug=True, config=config)

显示详细的执行过程
打印每个代理的输出
跟踪状态变化

状态日志

自动记录每次分析的状态
支持状态回放和分析
便于问题排查

🚨 注意事项

API限制: 注意各种API的调用限制和费用
数据质量: 确保数据源的可靠性和时效性
模型选择: 根据任务复杂度选择合适的模型
风险控制: 本框架仅用于研究，不构成投资建议

📈 扩展性

添加新的分析师

在tradingagents/agents/analysts/中创建新文件
实现分析师逻辑
在GraphSetup中注册新节点

添加新的数据源

在tradingagents/dataflows/中创建新工具
在interface.py中注册新接口
在代理中使用新工具

添加新的模型

在tradingagents/llm_adapters/中创建适配器
在TradingAgentsGraph中添加模型支持
更新配置文件

这个指南提供了TradingAgents项目的完整架构和逻辑梳理，帮助开发者深入理解项目的设计思路和实现细节。

13 KiB Raw Blame History Unescape Escape

TradingAgents 核心架构与逻辑指南

📋 项目概述

🏗️ 整体架构

核心设计理念

🚀 代码入口与执行流程

1. 主要入口点

入口1: 直接运行 (main.py)

入口2: 命令行界面 (cli/main.py)

2. 核心执行流程

🔧 核心模块详解

1. 图系统 (tradingagents/graph/)

TradingAgentsGraph - 主协调器

GraphSetup - 图构建器

Propagator - 状态传播器

ConditionalLogic - 条件逻辑控制器

2. 代理系统 (tradingagents/agents/)

分析师代理 (analysts/)

研究员代理 (researchers/)

管理代理 (managers/)

交易代理 (trader/)

3. 数据流系统 (tradingagents/dataflows/)

数据接口统一管理 (interface.py)

具体数据工具

4. 状态管理系统

AgentState - 主状态

🔄 详细执行流程

阶段1: 初始化

阶段2: 数据分析

阶段3: 研究辩论

阶段4: 交易决策

🛠️ 关键特性

1. 多模型支持

2. 灵活配置

3. 状态管理

4. 工具集成

📊 数据流图

🔍 调试与监控

调试模式

状态日志

🚨 注意事项

📈 扩展性

添加新的分析师

添加新的数据源

添加新的模型

13 KiB

Raw Blame History

数据接口统一管理 (`interface.py`)