TradingAgents

摘要
TradingAgents 是一套面向研究场景的开源多智能体大模型金融交易框架，通过模拟“投研团队”式的角色分工（分析师、研究员、交易员、风控、基金经理）与结构化辩论机制，完成从数据采集、市场研判、多空论证到交易决策与风控审批的闭环。该框架基于 LangGraph 构建，支持多 LLM 供应商（OpenAI/Google/Anthropic/xAI/OpenRouter/Ollama）并兼容本地模型；2026 年连续发布 v0.2.0、v0.2.2 与 v0.2.3 版本，带来多语言支持、统一模型目录、回测日期保真与代理能力。实验显示，在 2024 年 6–11 月的美股回测中，对 AAPL/GOOGL/AMZN 等标的的累积收益率与夏普比率显著优于买入持有与多种规则策略，最大回撤保持较低水平。

官网入口

• 项目官网（文档/论文/演示）：https://tradingagents-ai.github.io/
• GitHub 仓库（英文原版）：https://github.com/TauricResearch/TradingAgents
• GitHub 仓库（中文增强版）：https://github.com/hsliuping/TradingAgents-CN

定义：

多智能体LLM金融交易框架：将大语言模型封装为承担特定角色的“智能体”（Agent），通过角色分工、结构化输出与多轮辩论，协同完成市场分析、观点形成与交易决策的软件架构。

• ReAct 提示模式：将“推理（Reasoning）”与“行动（Action）”解耦的提示结构，使智能体能分步调用工具并生成可解释的分析/决策过程。
• LangGraph：面向智能体工作流的有向图编排库，便于定义多步、多节点、可循环/可条件跳转的协作流程。
• 基本面分析师：基于财报与关键指标，评估公司质地与安全边际的智能体。
• 情绪分析师：采集并评分社交媒体与舆情信息、研判短期情绪走向的智能体。
• 新闻分析师：跟踪宏观与公司新闻、量化事件冲击的智能体。
• 技术分析师：用指标体系（如 MACD、RSI 等）识别价格模式与趋势的智能体。
• 多空研究员（Bull & Bear Researcher）：在分析师结论基础上，分别从“看多”和“看空”视角展开结构化辩论的研究智能体。
• 交易员智能体（Trader Agent）：汇总研究报告，决定买卖方向、时机与头寸规模的执行层智能体。
• 风控与投资组合经理（Risk Management & Portfolio Manager）：评估波动率、流动性等风险因子，对交易方案进行风控审批与组合级决策的智能体。

功能与原理

2.1 框架总体流程

• 数据采集与市场建模：多模态金融数据（价格序列、财报、新闻、社媒情绪、内部人交易、指标）按日期切分输入，确保不对未来信息“偷看”。实验回测区间为 2024 年 1–3 月建模，6–11 月逐日决策。
• 分析师团队并行研判：4 类分析师同步工作，分别形成结构化简报。
• 研究团队多空辩论：多空研究员基于简报进行多轮、结构化辩论，输出平衡观点与风险提示。
• 交易员合成决策：汇总所有报告，形成具体交易信号（含理由与约束）。
• 风控与组合经理审批：从组合视角评估波动、流动性与敞口，进行合规与风控校验。
• 模拟执行与归因：订单发送到模拟交易所执行，并记录每一步的自然语言理由与工具调用，以便审计与复盘。

2.2 角色与通信机制

• 结构化报告优先：分析师与交易员使用结构化报告、图表与信号传递信息，减少信息衰减。
• 辩论环节自然语言交互：研究员、风控与基金经理在关键节点采用自然语言辩论，提升论证深度。
• 统一全局状态与查询：各节点可直接查询全局状态，避免上下文丢失。

2.3 模型选型与架构

• 快思考/慢思考分工：对检索与简单判别选用快速模型，对综合研判与复杂论证选用强推理模型，以平衡延迟与质量；官方示例中可分别配置 deep_think_llm 与 quick_think_llm。
• 多供应商与本地化：支持 OpenAI/Google/Anthropic/xAI/OpenRouter/Ollama；通过统一配置与环境变量（.env）或代码配置进行切换，降低迁移成本。
• 不依赖 GPU 运行：论文指出在 CPU 环境即可完成基础任务，便于轻量化部署与教育科研使用。

2.4 实验表现（示例）

• 标的与周期：AAPL/GOOGL/AMZN，2024-06-01 至 2024-11-30 逐日回测。
• 关键指标（论文数据）：
  • AAPL：累积收益约 26.62%，年化收益约 30.50%，夏普比率约 8.21，最大回撤约 0.91%。
  • GOOGL：累积收益约 24.36%，年化收益约 27.58%，夏普比率约 6.39，最大回撤约 1.69%。
  • AMZN：累积收益约 23.21%，年化收益约 24.90%，夏普比率约 5.60，最大回撤约 2.11%。
• 对比基线：优于买入持有、MACD、KDJ&RSI、ZMR、SMA 等策略，并实现更高的风险调整收益与较低的最大回撤。

2.5 可解释性

• 自然语言归因：每个智能体的决策伴随详细推理与工具调用记录。
• 流程可视化：可追踪到具体分析师、研究轮次与风控意见，便于合规与审计场景使用。

2.6 安全与合规说明

• 仅作研究框架：官方明确不构成财务、投资或交易建议；实际表现受模型、参数、数据与非确定性因素影响。
• 风险管理：通过风控层、敞口约束与组合经理审批机制降低极端风险敞口。

2.7 版本演进（2026 年）

• v0.2.0：多供应商 LLM 支持（GPT-5.x/Gemini 3.x/Claude 4.x/Grok 4.x）与架构升级。
• v0.2.2：引入五级评分体系、OpenAI Responses API、Anthropic Workload Control、跨平台稳定性。
• v0.2.3：增加多语言、统一模型目录、回测日期保真与代理支持，持续提升可用性与国际化。

如何使用

3.1 英文原版（CLI 与 Python SDK）

• 安装
  • 克隆与虚拟环境：推荐使用 conda，并创建 Python 3.13 虚拟环境。
  • 依赖安装：在项目根目录执行 pip install .，完成包与依赖部署。
• API 与密钥管理
  • 按需配置 LLM 与数据供应商密钥（如 OPENAI_API_KEY/GOOGLE_API_KEY/ANTHROPIC_API_KEY/XAI_API_KEY/OPENROUTER_API_KEY/ALPHA_VANTAGE_API_KEY）。
  • 也可将 .env.example 复制为 .env 并填入。
• CLI 交互
  • 启动命令：tradingagents 或 python -m cli.main。
  • 交互界面：选择标的代码、分析日期、LLM 提供商与研究深度，并实时查看智能体执行进度与中间结果。
• Python 调用
  • 引入 TradingAgentsGraph 并调用 .propagate(ticker, date) 返回决策，同时支持自定义配置（供应商、模型、辩论轮次等）。
  • 配置项位于 tradingagents/default_config.py，可灵活设定研究深度、工具集、提示模板等。

3.2 中文增强版（CN）

• 市场覆盖
  • 支持美股/A股/港股的统一代码与数据接入，典型代码示例：AAPL（美股）、000001/600519（A股）、0700.HK/9988.HK（港股）。
• Web 界面与使用步骤
  • 启动方式：python start_web.py 或 docker-compose up -d。
  • 访问地址：默认 localhost:8501。
  • 操作流程：侧边栏选择模型与提供商 → 输入代码 → 选择研究深度（1–5 级） → 启动分析 → 实时查看进度 → 一键导出 Markdown/Word/PDF 报告。
• 研究深度分级
  • 1 级：2–4 分钟，基础技术面扫描。
  • 2 级：4–6 分钟，技术+基本面标准分析。
  • 3 级：6–10 分钟，叠加新闻情绪，官方推荐默认。
  • 4 级：10–15 分钟，多智能体辩论。
  • 5 级：15–25 分钟，完整深度研究报告。
• 多 LLM 管理
  • 支持 DashScope/DeepSeek/Google AI/OpenRouter 四大提供商，60+ 可选模型；支持自定义 OpenAI 兼容端点与智能降级/重试。
• 新闻分析模块
  • AI 新闻相关性与质量评估，支持基础/增强/集成三级过滤，剔除低质与重复资讯，统一多源新闻接口。

3.3 典型使用场景

• 个股/事件复盘：选定历史日期，快速生成多维度分析报告与归因说明。
• 策略原型验证：在回测框架中验证多空辩论、风险约束与模型选型对绩效的影响。
• 教学与演示：可视化多智能体协作与辩论过程，用于金融工程/人工智能课程教学。

受众

• 量化与系统化交易研究者：需要可解释、可定制的多智能体决策框架。
• 金融机构与合规团队：关注决策过程可追溯与风险可控的交易原型。
• 数据科学与 AI 研究者：对 LLM 多智能体协作、提示工程与工具调用实验感兴趣。
• 中文用户与本地化团队：优先考虑 A/港/美股一体化与本地 LLM 接入的投研工具链。

文章来源

• 本文基于 TradingAgents 官方论文、项目文档与 GitHub 仓库整理，英文原版来自 TauricResearch/TradingAgents，中文增强版来自 hsliuping/TradingAgents-CN，并结合公开实验数据进行表述。

版权说明

• 文章内容仅为产品技术科普，不构成任何财务、投资或交易建议。
• TradingAgents 及其文档遵循项目原许可协议（英文原版采用 Apache-2.0），具体权利义务以各项目 LICENSE 与官方声明为准。
• 如需转载，请确保保留文章来源与版权说明，并遵守相关开源协议与版权法规。