TradingAgents
让 AI 多智能体像真实量化基金一样协作交易，支持 GPT/Claude/Gemini 等十余种大模型
加载项目详情…
本应用为开源项目，仅供学习研究，请遵守其开源协议。
微信扫码咨询客服
POMOAI — 让开源 AI 即刻运行
让 AI 多智能体像真实量化基金一样协作交易，支持 GPT/Claude/Gemini 等十余种大模型
加载项目详情…
本应用为开源项目，仅供学习研究，请遵守其开源协议。
想象一下：你面前有一家顶级量化对冲基金的交易室。不是真的有人坐在屏幕前——而是一群彼此协作、又相互制衡的 AI 智能体。它们分工明确：有人盯着财务报表找价值洼地，有人追踪 Twitter 和 Reddit 上的情绪变化，有人分析 MACD 和 RSI 的技术形态，还有人专门负责评估风险敞口。最终，一个综合决策模块汇总所有意见，决定是否下单。这就是 TradingAgents 正在做的事。
图1：TradingAgents 系统架构全景 — 多智能体协同决策流程
TradingAgents 起源于学术研究。团队在 2024 年 12 月发表了 arXiv 论文（编号 2412.20138），首次提出用多智能体 LLM 框架模拟真实交易公司运作模式的概念。论文发表后，社区反响强烈——大量开发者和量化爱好者涌向作者的 Discord 频道，询问代码何时开源。面对这份热情，团队决定将整个框架完整开源。从最初的单一 OpenAI 模型支持，逐步演进为支持 GPT-5.x、Gemini 3.x、Claude 4.x、Grok 4.x、DeepSeek、Qwen、GLM 等十余种大语言模型的统一框架。 项目于 2024 年 12 月正式开源，至今已累积 78,000+ GitHub Stars，在 AI + 金融领域几乎一骑绝尘。同期发布的 Trading-R1 技术报告（arXiv 2509.11420）进一步将推理能力引入交易决策，标志着项目从「分析」向「推理执行」的又一次升级。
如果用一句话概括 TradingAgents 的设计哲学：**让 AI 系统像真实交易公司一样运作。**框架将整个交易流程拆解为四个层级，每一层由专门训练的 LLM Agent 负责：
分析师团队是整个系统的「眼睛」，负责从海量数据中提取信号。它们不是简单地查询数据，而是用 LLM 理解数据的语义：
• 基本面分析师（Fundamentals Analyst）：深度阅读财务报表（资产负债表、现金流量表、利润表），识别公司内在价值与潜在风险红旗。数据来源包括 Alpha Vantage 和 Yahoo Finance。
• 舆情分析师（Sentiment Analyst）：聚合 StockTwits、Reddit 等平台的投资者讨论，将散户情绪量化成可读指标。这是一个容易被忽视但对短期股价有显著影响的信号源。
• 新闻分析师（News Analyst）：追踪全球宏观经济新闻和行业动态，解读重大事件对特定股票或板块的影响。
• 技术分析师（Technical Analyst）：计算 MACD、RSI、布林带等技术指标，从价格走势中识别交易模式。
图2：分析师团队 — 分工明确的四大分析维度
分析师团队负责输入，但谁来保证决策质量？这就是研究员团队的价值——它们由「多头研究员」和「空头研究员」组成，对分析师的结论进行批判性审查。多头研究员寻找支持买入论点的证据，空头研究员则挑毛病、找漏洞。通过结构化辩论，两方最终形成更加平衡的判断，而不是被单一情绪带偏。
图3：研究员团队 — 多空辩论机制
交易员代理是整个框架的「大脑」。它综合分析师和研究员的所有报告，决定三个关键变量：
• 交易方向：做多还是做空
• 仓位规模：投入多少资金
• 入场时机：什么时候执行
图4：交易员代理 — 综合决策核心
这是整个框架中最容易被初学者忽略、但却最关键的环节。风控团队实时评估组合的波动率、流动性和整体风险敞口，生成风险评估报告提交给投资组合经理。投资组合经理有权否决交易员提出的交易——即使 Trader Agent 的建议在纸面上看起来很诱人。
图5：风控与投资组合管理 — 最后的守门人
TradingAgents 的技术栈非常务实： • LangGraph：核心编排引擎，将多智能体的工作流建模为有向图，支持条件分支、循环和状态持久化。每个 Agent 的执行路径、上下文和中间结果都存储在 Checkpoint 中。 • LangChain：提供统一的 LLM 调用接口，封装了 OpenAI、Anthropic、Google、Azure、DeepSeek 等十余家模型提供商的 API 差异，实现真正的模型无关架构。 • Backtrader：专业量化回测引擎，支持在历史数据上复现 Agent 的交易决策，验证策略有效性。 • YFinance / Alpha Vantage：数据层，实时获取股票价格、财务数据和新闻。 • SQLite Checkpoint：通过 langgraph-checkpoint-sqlite 实现交易决策日志的持久化，支持断点续跑。 • Python 3.10+ / Rich / Typer / Questionary：CLI 工具链，提供友好的命令行交互界面。 架构上采用插件化设计，新增数据源或 LLM 提供商只需实现对应 Client 类即可接入，无需改动核心逻辑。测试覆盖单元测试、集成测试和冒烟测试三个层次，确保框架在跨平台（Linux/macOS/Windows）和多模型配置下的稳定性。
项目提供了两条快速上手路径： 方式一：Docker 一键部署（推荐）
git clone https://github.com/TauricResearch/TradingAgents.git
cd TradingAgents
cp .env.example .env # 编辑填入 API Key
docker compose run --rm tradingagents
一条命令，你就有了一个完整的交易 Agent 环境，连 Python 依赖都不用手动管理。 方式二：本地 Python 环境
conda create -n tradingagents python=3.13
conda activate tradingagents
pip install .
tradingagents --help
需要注意的是，该项目需要调用商业 LLM API（GPT-5 或 Claude 4 以上级别效果最佳），必须准备对应的 API Key。也可以通过 Ollama 使用本地模型，但效果会明显下降。
任何声称「AI 能帮你炒股」的项目都需要格外谨慎。TradingAgents 的作者在 README 中明确标注了免责声明：
"TradingAgents framework is designed for research purposes. Trading performance may vary based on many factors... It is not intended as financial, investment, or trading advice." 具体来说： • 模型能力依赖：GPT-5.4 与 GPT-4 在分析质量上差异显著，低端模型可能产生误导性结论。 • 数据延迟：YFinance 等免费数据源存在延迟，实时交易场景下可能产生滑点。 • 模拟 vs 实盘：框架默认运行在模拟交易所（paper trading），接入真实交易所需要额外开发。 • 市场非有效性假设：模型基于历史数据训练的「常识」在极端市场事件（黑天鹅）中可能完全失效。 项目在 GitHub 上有 367 个 open issues，其中不少是用户反馈策略效果不达预期的讨论——这本身也是该项目诚实度的体现。
在 AI + 金融的交叉领域，大多数开源项目要么是「玩具级」的 demo，要么是封闭的商业系统。TradingAgents 的独特价值在于它填补了中间地带：足够严肃的架构设计（多智能体协作、风控机制、回测支持），又足够开放（完整开源、文档完善、支持主流模型）。它的 star 增长曲线几乎垂直，在该领域非常罕见。 对于 AI 开发者，这是学习多智能体系统编排的绝佳案例；对于量化爱好者，这是低成本验证交易想法的实验场；对于 ML 研究者，这是 LLM 在金融领域应用的前沿探索。 作者团队（TauricResearch）持续活跃维护，平均每1-2个月发布一个版本，功能迭代速度相当快。如果你对 AI Agent 在垂直领域（尤其是金融）的应用感兴趣，TradingAgents 绝对值得深入研究。