TradingAgents

TradingAgents 是由 Tauric Research 团队开源的一个多智能体 LLM 金融交易框架。它的核心想法很直接：既然专业的对冲基金会组建分析师团队、研究员团队、交易员和风控来协同决策，那为什么不让 AI 也这样工作？

这个项目在 GitHub 上获得了超过 6.5 万 Star，今天单日新增 3,313 个 Star，是当日 AI 赛道涨幅最高的开源项目。它配套发表了一篇学术论文（arXiv:2412.20138），来自 UCLA 的研究团队，提交于 2024 年 12 月底，2025 年 6 月更新到 v7 版本。

框架基于 LangGraph 构建，支持 OpenAI、Google、Anthropic、xAI、DeepSeek、Qwen、GLM 等几乎所有主流 LLM，数据源来自 Alpha Vantage。值得一提的是，这个项目明确声明"仅供研究使用，不构成投资建议"——这对开源金融项目来说是非常必要的免责。

整体设计思路

TradingAgents 的架构模拟了一家真实交易公司的组织结构。这不是简单的"多模型集成"，而是有明确角色分工和协作机制的 Multi-Agent 系统。整个决策流程是一个有向无环图（DAG），由 LangGraph 驱动。

决策流程

一次完整的交易决策大致经历以下步骤：

LLM 提供商支持矩阵

框架支持为不同角色配置不同模型——比如让"深度推理模型"负责研究员辩论，让"快速模型"负责技术分析，从而在成本和质量之间取得平衡。

① 四维分析师团队

框架部署了四类专业分析师，每类分析师关注市场的不同维度：

• 基本面分析师：读取公司财务报表、估值指标，判断内在价值与安全边际。适合中长线持仓决策。
• 情绪分析师：对社交媒体（Twitter/X、Reddit 等）进行情绪评分，捕捉短期市场心理。对动量交易和事件驱动策略有价值。
• 新闻分析师：跟踪宏观经济指标、财报发布、政策变化。将非结构化新闻转化为结构化市场影响评估。
• 技术分析师：计算 MACD、RSI、布林带等技术指标，识别价格形态。输出偏向短线交易信号。

这四类分析是并行执行的，最后由交易员智能体统一汇总——这和真实基金的分析流程高度相似。

② 多空辩论机制

这是 TradingAgents 最具特色的创新之一。在分析师输出报告之后，框架引入"多头研究员"和"空头研究员"两个角色进行结构化辩论。

辩论机制的设计逻辑是：单一 LLM 容易陷入"迎合用户偏好"的判断偏差，而让两个专门化的智能体互相质证，可以在一定程度上减少这种偏差。每轮辩论包含：论点提出 → 对方反驳 → 综合陈述，最多可进行 max_debate_rounds 轮（默认 2 轮，可配置）。

论文中的实验表明，引入辩论机制后，交易决策的夏普比率和最大回撤均有改善。

③ 决策持久化与断点恢复

v0.2.4 引入的两个工程特性值得关注：

• 决策日志持久化：每次运行的决策自动追加写入 ~/.tradingagents/memory/trading_memory.md。这个设计让框架具备了"记忆"——后续决策可以参考历史决策的理由，形成某种程度的持续学习。
• LangGraph 检查点恢复：如果运行过程崩溃或被中断，可以从最后一个成功的节点恢复，不用从头开始。对于涉及多次 LLM API 调用的流程来说，这个特性省下的重试成本非常可观。

④ 风险管理与组合经理

风险管理团队持续监控市场波动率和流动性指标，对交易提案进行压力测试。最终是否执行由投资组合经理决定——这个角色的设定是"保守优先"，可以在市场条件恶化时拒绝交易。

从实际使用的反馈来看，这个风控机制有时会被认为"过于保守"，但作为研究框架，保守的风控设定是合理的。

本地安装（推荐）

# 克隆仓库
git clone https://github.com/TauricResearch/TradingAgents.git
cd TradingAgents

# 创建虚拟环境（Python 3.13）
conda create -n tradingagents python=3.13
conda activate tradingagents

# 安装依赖
pip install .

注意：框架要求 Python 3.13，这对一些依赖版本有严格要求。Windows 用户在 v0.2.4 之前可能会遇到 UTF-8 编码问题，升级到最新版即可解决。

Docker 部署

# 复制配置
cp .env.example .env
# 在 .env 中填入 API Keys

# 标准运行
docker compose run --rm tradingagents

# 使用本地 Ollama 模型（无需 API Key）
docker compose --profile ollama run --rm tradingagents-ollama

必需 API Key 清单

⚠️ Alpha Vantage 免费 API 每分钟限制 5 次请求，做回测时容易触发限速。建议申请多个 Key 或升级到付费版。

基础使用：分析一支股票

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

# 初始化框架
ta = TradingAgentsGraph(debug=True, config=DEFAULT_CONFIG.copy())

# 对 NVDA 在指定日期进行分析
report, decision = ta.propagate("NVDA", "2026-01-15")

print("分析报告:", report)
print("交易决策:", decision)

进阶：自定义 LLM 配置

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

config = DEFAULT_CONFIG.copy()

# 使用 OpenAI 作为提供商
config["llm_provider"] = "openai"

# 深度推理用强力模型，快速任务用轻量模型
config["deep_think_llm"] = "gpt-5.4"
config["quick_think_llm"] = "gpt-5.4-mini"

# 控制辩论轮次（轮次越多，分析越充分，但 API 成本越高）
config["max_debate_rounds"] = 3

# 启用检查点（崩溃后可恢复）
config["checkpoint_enabled"] = True

ta = TradingAgentsGraph(debug=True, config=config)
_, decision = ta.propagate("AAPL", "2026-04-01")
print(decision)

CLI 交互式使用

# 安装后可直接使用命令行工具
tradingagents

# 或直接从源码运行
python -m cli.main

# 启用检查点恢复
tradingagents analyze --checkpoint

# 清除旧检查点后重新运行
tradingagents analyze --clear-checkpoints

CLI 会交互式地询问股票代码、分析日期、LLM 提供商等参数，对新手比较友好。

到底该选哪个？

• 如果你在做 LLM + 金融 的学术研究，或者想探索 AI Agent 在金融决策中的表现——选 TradingAgents。
• 如果你在学 强化学习，需要一个完整的回测 + 训练框架——选 FinRL。
• 如果你要搭建 生产级量化平台，需要高性能数据服务和稳定回测——选 Qlib。

三者并非互斥，实际上你可以把 TradingAgents 的"多维分析"作为 Qlib 的信号输入之一，组合使用效果可能更好。