3.1 KiB

Raw Blame History

description
如何部署 TradingAgents 项目

TradingAgents 部署工作流

本工作流描述如何从零开始部署 TradingAgents 多智能体交易框架。

前置条件

已安装 Conda
已安装 Git
有 OpenAI API 密钥
有 Alpha Vantage API 密钥（免费获取：https://www.alphavantage.co/support/#api-key）

部署步骤

1. 克隆项目（如果还未克隆）

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

2. 创建 Conda 虚拟环境

// turbo

conda create -n tradingagents python=3.13 -y

3. 激活环境并安装依赖

conda activate tradingagents
pip install -r requirements.txt

4. 配置 API 密钥

复制示例环境文件： python -m cli.main


这将启动一个交互式界面，你可以选择：
- 股票代码（ticker）
- 日期
- LLM 模型
- 研究深度等参数

#### 方式 2: 使用 Python 代码

创建测试脚本或运行 `main.py`：

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

ta = TradingAgentsGraph(debug=True, config=DEFAULT_CONFIG.copy())
_, decision = ta.propagate("NVDA", "2024-05-10")
print(decision)

6. 自定义配置（可选）

你可以修改默认配置来使用不同的 LLM 模型或数据源：

from tradingagents.default_config import DEFAULT_CONFIG

config = DEFAULT_CONFIG.copy()
config["deep_think_llm"] = "gpt-4o-mini"  # 节省成本
config["quick_think_llm"] = "gpt-4o-mini"
config["max_debate_rounds"] = 1

# 配置数据供应商
config["data_vendors"] = {
    "core_stock_apis": "yfinance",
    "technical_indicators": "yfinance",
    "fundamental_data": "alpha_vantage",
    "news_data": "alpha_vantage",
}

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

重要提示

⚠️ 成本控制: 该框架会进行大量 API 调用。测试时建议使用 gpt-4o-mini 等较便宜的模型。

⚠️ 免责声明: TradingAgents 仅用于研究目的，不构成财务、投资或交易建议。

⚠️ API 限制: Alpha Vantage 免费版有速率限制。TradingAgents 用户可获得提升的限制（每分钟 60 次请求，无每日限制）。

验证部署

运行以下命令验证环境配置正确：

// turbo

python test.py

或者运行一个简单的测试：

python -c "from tradingagents.graph.trading_graph import TradingAgentsGraph; print('部署成功！')"

故障排除

问题: 缺少 API 密钥

解决方案: 确保 .env 文件存在且包含有效的 API 密钥，或设置环境变量。

问题: 依赖安装失败

解决方案:

确保使用 Python 3.13
尝试升级 pip: pip install --upgrade pip
逐个安装依赖以识别问题包

问题: Alpha Vantage 速率限制