跳转到内容
逍遥自在轩

TradingAgents - 开源琅嬛阁

TauricResearch/TradingAgents

TradingAgents: Multi-Agents LLM Financial Trading Framework

21
364
103,656
19.9k
github.com · TauricResearch/TradingAgents
AgentCLI本地模型
官方主页 / 文档 在 GitHub 查看

项目介绍

TradingAgents 是一套用 LLM 多智能体模拟真实交易公司的开源研究框架。它把投研拆成基本面、情绪、新闻、技术分析等专业角色，再由多空研究员辩论、交易员下判断、风控与组合经理审批，最终在模拟交易所执行。项目基于 LangGraph，提供交互式 CLI 与 Python API，面向研究而非实盘建议。

核心特性

  • 券商式角色分工：分析师团队（基本面 / 情绪 / 新闻 / 技术）→ 多空研究员辩论 → 交易员 → 风控与组合经理审批
  • 多市场标的：Yahoo Finance 覆盖的市场均可分析，如 AAPL、0700.HK、600519.SS、BTC-USD
  • 多模型后端：OpenAI、Gemini、Claude、Grok、DeepSeek、Qwen、GLM、MiniMax、OpenRouter、Azure、Bedrock，以及 Ollama / vLLM / LM Studio 等 OpenAI 兼容端点
  • 决策记忆与断点续跑：决策写入 ~/.tradingagents/memory/；--checkpoint 可从上次成功节点恢复
  • CLI 与库双入口：tradingagents 交互分析，或 TradingAgentsGraph().propagate(ticker, date) 嵌入代码

对用户价值

单次问 LLM「该不该买」通常缺角色张力、数据锚点和可追溯过程。TradingAgents 把这条链路做成可观察的多智能体流水线：分析师产出结构化观点，研究员强制多空对质，交易员综合下单意图，风控再把关。对研究者，它是论文 arXiv:2412.20138 的可运行实现；对开发者，CLI 与 propagate() 便于换模型、调辩论轮次、接本地推理。v0.4.0 还修了 FRED 宏观、社交情绪与记忆日志的前视偏差，并支持 CLI checkpoint 续跑。

与替代方案

  • 相比 LangChain / CrewAI 等通用 Agent 编排，这里内置金融角色、行情与情绪数据源，以及模拟下单闭环，不必从零设计投研图。
  • 相比 AI Berkshire 等价值投资 Skill 工作流，TradingAgents 输出的是模拟交易决策与风控审批，而非长篇基本面研报。
  • 相比 OpenBB 或 backtrader 等数据终端 / 传统回测器，它是 LLM 驱动的研究脚手架：两次同标的、同日期运行可以不同，官方明确回测收益不可复现为固定策略。
  • 框架声明仅供研究，不构成投资建议。

适应人群

  • 想观察「多 Agent 如何协作做交易决策」的 AI / 量化研究者。
  • 需要交互式 CLI 或 Python API，快速换模型、辩论深度与分析日期的开发者。
  • 希望用 Ollama、vLLM 或国产模型（Qwen / GLM / DeepSeek / MiniMax）在本地跑投研实验的用户。

如何使用

前置条件

  • Python 3.10+（README 示例使用 conda + Python 3.12）。
  • 至少一个 LLM 提供商密钥，或已运行的 Ollama / OpenAI 兼容本地服务。
  • 可选：ALPHA_VANTAGE_API_KEY 等行情/宏观数据密钥；复制 .env.example 为 .env 填写。
  • AWS Bedrock 需 pip install ".[bedrock]" 并配置 AWS 凭证与区域。

安装方式

Terminal window
git clone https://github.com/TauricResearch/TradingAgents.git
cd TradingAgents
conda create -n tradingagents python=3.12
conda activate tradingagents
pip install .
cp .env.example .env   # 填入所选提供商的 API Key

Docker：

Terminal window
cp .env.example .env
docker compose run --rm tradingagents
# 本地 Ollama：
docker compose --profile ollama run --rm tradingagents-ollama

首次运行

交互式 CLI（安装后的入口命令，或从源码运行）：

Terminal window
tradingagents
# 或：python -m cli.main

按提示选择标的、分析日期、LLM 提供商与研究深度。Ollama 将 llm_provider 设为 ollama（默认 http://localhost:11434/v1，远程用 OLLAMA_BASE_URL）；CLI 里选 Custom model ID 可指定未列出的模型。

Python 最小示例：

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", "2026-01-15")
print(decision)

断点续跑（可选）：

Terminal window
tradingagents analyze --checkpoint

验证是否成功

  • tradingagents 能打开交互界面，可选标的与模型。
  • 跑完一次分析后终端展示新闻/交易等进度面板，并打印决策；~/.tradingagents/memory/trading_memory.md 出现新记录。
  • Python 路径下 propagate("AAPL", "<日期>") 返回决策且无阻塞异常。
  • 开启 checkpoint 后续跑应看到 Resuming from step N 而非每次 Starting fresh。

常见坑 / 注意事项

  • 不是实盘系统：官方强调研究用途，表现受模型、温度、区间与数据质量影响，结果不可当作可复现策略。
  • 推理模型（默认 GPT-5.x 等）通常忽略 temperature；若要更可重复，需改用非推理模型并显式设 Custom model ID。
  • 新闻、StockTwits、Reddit 是「当前时点」数据：分析日期钉住价格窗口，社交与新闻仍随现在变化。
  • A 股等非美市场必须带交易所后缀（如 600519.SS、0700.HK），否则公司身份与基准可能对不上。
  • 密钥不要提交进仓库；Qwen / GLM / MiniMax 分国际与国内 endpoint，用错区域会认证失败。
  • checkpoint 默认关闭；中断后续跑需 --checkpoint。成功完成后 checkpoint 会自动清理，可用 --clear-checkpoints 重置。