TradingAgents：用多 Agent 模拟真实交易团队

TradingAgents 在 GitHub 上拿到了 85,259 颗 Star。

这是一个基于 LLM 的多 Agent 交易分析框架。它的思路很直接：把真实交易团队里的各个角色拆开，每个角色交给一个 AI Agent 扮演，让它们协作完成股票分析和交易决策。

1、 它在模拟什么

传统交易团队里，基本面分析师看财报，技术分析师盯盘面，新闻分析师追踪宏观事件，情绪分析师扫社交媒体。各自出报告，研究员分头评估多空观点，最后由交易员综合判断下单，风控团队把关风险。

TradingAgents 把这套流程搬到了代码里。每个环节是一个独立的 Agent，用 LLM 驱动，彼此之间有信息流转和辩论机制。框架底层用 LangGraph 实现，模块化设计，方便扩展。

2、 四个核心角色

分析师团队负责信息采集。基本面分析师评估财务指标和内在价值，情绪分析师聚合新闻、StockTwits 和 Reddit 数据，新闻分析师追踪全球宏观事件，技术分析师用 MACD、RSI 等指标识别交易模式。

研究团队由看多和看空两个研究员组成，对分析师的产出进行结构化辩论，在收益和风险之间找到平衡。

交易员综合所有报告，决定交易时机和仓位大小。

风控与组合管理评估市场波动率、流动性等风险因素，对策略进行调整，最终由组合经理批准或驳回交易提案。

3、 怎么用

安装步骤简单。创建虚拟环境，装上依赖就能跑：

conda create -n tradingagents python=3.13
conda activate tradingagents
pip install .

CLI 交互界面选择股票代码、分析日期、LLM 提供商和研究深度即可启动：

tradingagents

支持的市场覆盖美股、港股、东京、伦敦、印度、加拿大、澳大利亚。A 股用上交所后缀 .SS 或深交所后缀 .SZ，比如 600519.SS 就是贵州茅台。加密货币也支持，BTC-USD、ETH-USD 都能跑。

Docker 部署和本地模型（Ollama）也都打通了。

4、 Python 集成

在代码里直接调用同样方便：

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

config = DEFAULT_CONFIG.copy()
config["llm_provider"] = "openai"
config["deep_think_llm"] = "gpt-5.5"
config["quick_think_llm"] = "gpt-5.4-mini"

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

LLM 提供商覆盖范围很广：OpenAI、Google、Anthropic、xAI、DeepSeek、Qwen、GLM、MiniMax、OpenRouter、Ollama 都在支持列表里，企业用户还能走 Azure OpenAI。

5、 几个实用特性

决策日志默认开启。每次运行的结果追加到本地文件，下次跑同一只股票时自动注入历史决策和反思，让分析结果逐步迭代。

断点续跑通过 --checkpoint 启用，LangGraph 在每个节点保存状态，中断后从上一个成功步骤恢复，不用重头来。

重复性方面，LLM 驱动的系统天然有随机性，但框架做了固定处理：公司身份从 ticker 确定性解析，价格和指标基于验证过的数据快照。想进一步降低波动，可以把 temperature 设低，配合非推理模型使用。

项目背后有学术研究支撑。Tauric Research 团队在 arXiv 上发表了技术报告（论文编号 2412.20138），详细描述了多 Agent 协作的架构设计和实验结果，对框架的工作原理感兴趣可以去看原文。

rXiv 上发表了技术报告（论文编号 2412.20138），详细描述了多 Agent 协作的架构设计和实验结果，对框架的工作原理感兴趣可以去看原文。