9.9 KiB

Raw Blame History

TradingAgents: 基于大模型的金融交易多智能体框架

新闻

[2026-03] TradingAgents v0.2.1 发布，涵盖 GPT-5.4、Gemini 3.1、Claude 4.6 等最新模型，并提升了系统稳定性。
[2026-02] TradingAgents v0.2.0 发布，支持多 LLM 提供商（GPT-5.x, Gemini 3.x, Claude 4.x, Grok 4.x）并优化了系统架构。
[2026-01] Trading-R1 技术报告发布，Terminal 预计很快面世。

🎉 TradingAgents 正式发布！我们收到了大量关于此项工作的咨询，衷心感谢社区的热情。

因此，我们决定将该框架完全开源。期待与您共同构建具有影响力的项目！

TradingAgents 框架

TradingAgents 是一个多智能体交易框架，它模拟了现实世界中交易公司的运作动态。通过部署专业化的 LLM 智能体：从基本面分析师、情绪专家、技术分析师到交易员及风控团队，该平台通过协作评估市场状况并辅助交易决策。此外，这些智能体还会进行动态讨论，以确定最优策略。

TradingAgents 框架专为研究目的设计。交易表现可能因多种因素而异，包括所选的基座语言模型、模型采样温度、交易周期、数据质量以及其他非确定性因素。本框架不旨在提供任何金融、投资或交易建议。 详见免责声明。

我们的框架将复杂的交易任务分解为多个专业角色。这确保了系统在市场分析和决策过程中具备稳健性和可扩展性。

分析师团队 (Analyst Team)

基本面分析师 (Fundamentals Analyst)：评估公司财务状况和业绩指标，识别内在价值及潜在的预警信号（红旗）。
情绪分析师 (Sentiment Analyst)：使用情绪评分算法分析社交媒体和公众情绪，以衡量短期市场情绪。
新闻分析师 (News Analyst)：监测全球新闻和宏观经济指标，解读重大事件对市场状况的影响。
技术分析师 (Technical Analyst)：利用技术指标（如 MACD 和 RSI）检测交易模式并预测价格走势。

研究员团队 (Researcher Team)

由看涨和看跌研究员组成，他们对分析师团队提供的见解进行辩证评估。通过结构化辩论，平衡潜在收益与固有风险。

交易员智能体 (Trader Agent)

汇总分析师和研究员的报告，做出明智的交易决策。它根据全面的市场洞察确定交易的时机和规模。

风险管理与投资组合经理 (Risk Management & Portfolio Manager)

风险管理团队：通过评估市场波动性、流动性和其他风险因素，持续评估投资组合风险。评估并调整交易策略，向投资组合经理提供评估报告以供最终决策。
投资组合经理：批准或拒绝交易提案。如果批准，订单将被发送到模拟交易所并执行。

安装与 CLI

安装步骤

克隆 TradingAgents 仓库：

git clone https://github.com/TauricResearch/TradingAgents.git
cd TradingAgents

在您偏好的环境管理器中创建虚拟环境：

conda create -n tradingagents python=3.13
conda activate tradingagents

安装依赖：

pip install -r requirements.txt

必需的 API 密钥

TradingAgents 支持多个 LLM 提供商。请为您选择的提供商设置 API 密钥：

export OPENAI_API_KEY=...          # OpenAI (GPT)
export GOOGLE_API_KEY=...          # Google (Gemini)
export ANTHROPIC_API_KEY=...       # Anthropic (Claude)
export XAI_API_KEY=...             # xAI (Grok)
export OPENROUTER_API_KEY=...      # OpenRouter
export ALPHA_VANTAGE_API_KEY=...   # Alpha Vantage (金融数据)

对于本地模型，请在配置中设置 llm_provider: "ollama"。

或者，复制 .env.example 为 .env 并填写您的密钥：

cp .env.example .env

CLI 使用方法

您可以直接运行以下命令体验命令行界面：

python -m cli.main

您将看到一个交互界面，可以在其中选择感兴趣的股票代码、日期、LLM、研究深度等。

界面将随着结果加载实时更新，让您可以跟踪智能体在运行过程中的进度。

TradingAgents 软件包用法

实现细节

我们使用 LangGraph 构建了 TradingAgents，以确保框架的灵活性和模块化。该框架支持多家 LLM 提供商：OpenAI, Google, Anthropic, xAI, OpenRouter 以及 Ollama。

Python 代码调用

要在代码中使用 TradingAgents，您可以导入 tradingagents 模块并初始化 TradingAgentsGraph() 对象。调用 .propagate() 函数将返回一个决策。您可以直接运行 main.py，以下是一个快速示例：

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

ta = TradingAgentsGraph(debug=True, config=DEFAULT_CONFIG.copy())

# 向前传播
_, decision = ta.propagate("NVDA", "2026-01-15")
print(decision)

您还可以调整默认配置，以设置您选择的 LLM、辩论轮数等。

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

config = DEFAULT_CONFIG.copy()
config["llm_provider"] = "openai"        # 可选: openai, google, anthropic, xai, openrouter, ollama
config["deep_think_llm"] = "gpt-5.2"     # 用于复杂推理的模型
config["quick_think_llm"] = "gpt-5-mini" # 用于快速任务的模型
config["max_debate_rounds"] = 2

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

查看 tradingagents/default_config.py 以了解所有配置选项。

参与贡献

我们欢迎社区的贡献！无论是修复 Bug、完善文档还是建议新功能，您的反馈都能让项目变得更好。如果您对该研究方向感兴趣，请考虑加入我们的开源金融 AI 研究社区 Tauric Research。

引用

如果 TradingAgents 对您的工作有所帮助，请引用我们的论文：

@misc{xiao2025tradingagentsmultiagentsllmfinancial,
      title={TradingAgents: Multi-Agents LLM Financial Trading Framework}, 
      author={Yijia Xiao and Edward Sun and Di Luo and Wei Wang},
      year={2025},
      eprint={2412.20138},
      archivePrefix={arXiv},
      primaryClass={q-fin.TR},
      url={https://arxiv.org/abs/2412.20138}, 
}

9.9 KiB Raw Blame History Unescape Escape