TradingAgents-astock
simonlin1212/TradingAgents-astock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
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。
"不是让 AI 替你下注，而是重构整个决策流程。"
2024 年底，一个叫 simonlin1212 的开发者 fork 了当时已经小有名气的 TradingAgents（原版 65K ⭐），在短短数月内获得了超过 3500 star，成为 A 股量化社区的现象级项目。
原版 TradingAgents 是一套多智能体金融交易框架，模拟真实投研机构的协作流程：市场分析师、技术分析师、舆情分析师、基本面分析师各司其职，再通过"多空辩论"和"投资组合经理"做最终决策。它在美股场景下表现优异——论文数据显示，在 AAPL、GOOGL、AMZN 等标的上，累计收益率、夏普比率、最大回撤等指标全面跑赢传统技术指标策略。
但原版有三个致命问题：数据源只接 Yahoo Finance 和 Alpha Vantage（全不支持 A 股）、分析师角色基于美股制度设计、输出语言是英文。对于想研究 A 股的国内用户，这套框架几乎不可用。
TradingAgents-Astock 就是在这个问题上诞生的。它的核心思路是从数据层、Agent 角色、交易规则三个维度做深度特化，而不是简单翻译 README。
| 维度 | 原版 TradingAgents | TradingAgents-Astock |
|---|---|---|
| 数据源 | Yahoo Finance / Alpha Vantage | mootdx + 东方财富 + 新浪 + 同花顺（全免费直连） |
| Analyst 角色 | 4 个（市场/情绪/新闻/基本面） | 7 个（+政策分析师/游资追踪/解禁监控） |
| 交易规则 | 美股（T+0、无涨跌停） | A 股（T+1、涨跌停、最小手数、交易时段） |
| 输出语言 | 英文 | 中文报告（内部辩论保持英文以保证推理质量） |
| Alpha 基准 | SPY | 沪深 300 |
| 许可证 | Apache 2.0 | 全 Apache 2.0（不含任何非开源依赖） |
整个分析流程分为 12 个阶段，用户在 Web UI 上可以实时看到每一阶段的进度。
| 角色 | 职责 | 核心数据源 |
|---|---|---|
| 🏪 市场分析师 | K 线形态、技术指标、量价分析 | mootdx（通达信 TCP 直连） |
| 💬 舆情分析师 | 社交媒体情绪、散户讨论热度 | 新浪财经 |
| 📰 新闻分析师 | 行业新闻、公告、宏观事件 | 东方财富快讯 |
| 📊 基本面分析师 | 财报三表、盈利能力、估值 | 新浪财经财报接口 |
| 🏛️ 政策分析师 | 监管政策、产业政策、窗口指导 | 财联社 |
| 🔥 游资追踪师 | 龙虎榜、大单流向、主力资金动态 | 东方财富龙虎榜 |
| 🔓 解禁监控师 | 限售股解禁、大股东减持、股权质押 | 东方财富解禁数据 |
关键设计：政策分析师、游资追踪师、解禁监控师是 A 股版本独有的三个角色——原版完全没有。在 A 股这个"政策市 + 资金市"里，这三个角色的缺失意味着分析报告缺少了最核心的定价因素。
7 份分析师报告汇总后，由 Bull Researcher 和 Bear Researcher 进行结构化辩论。设计者发现：同一个模型分饰两角时容易互相附和，因此支持给多空辩手分别指定不同底座的 LLM（通过 role_llms 配置），确保真正的对抗性。
基于辩论结论，Trader 输出具体交易方案，强制遵守 A 股约束：T+1 制度（当天买的股不能当天卖）、涨跌停限制（主板 ±10%、创业板 ±20%）、最小买卖手数（100 股的整数倍）、ST 股特殊规则。
由 Aggressive / Neutral / Conservative 三个风险立场的 Agent 进行辩论，评估当前方案在不同市场环境下的风险暴露。
Research Manager 综合所有信息，给出最终评级（Buy / Hold / Sell）和完整理由。
系统采用双档 LLM 配置：
quick_think_llm：Analyst、Researcher、Trader、Risk Debater 全都走这档，追求响应速度和成本效益deep_think_llm：Research Manager 和 Portfolio Manager 走这档，追求综合推理质量内置支持 10 家 LLM 供应商：MiniMax（推荐）、DeepSeek、通义千问、智谱 GLM、OpenAI、Anthropic、Google Gemini、xAI、OpenRouter、Ollama。配置方式极其简单——在 .env 文件填入对应 API Key 即可。
特别值得一提的是，2025 年中项目新增了 Claude Agent SDK 订阅覆盖功能（pip install -e ".[agentsdk]"），允许用户让部分或全部节点走个人 Claude Pro/Max 订阅额度，不产生 API 计费。对于订阅用户来说，这是一个显著的成本优化。
项目内置 Streamlit 可视化界面，启动命令：
tradingagents-web
# 或
streamlit run web/app.py
浏览器打开 http://localhost:8501 即可使用。Web UI 提供：
这是项目最实用的设计之一——完全不依赖收费数据 API。
| 来源 | 协议 | 用途 |
|---|---|---|
| mootdx | TCP 7709（通达信） | OHLCV K 线、财务快照 |
| 腾讯财经 | HTTP 直连 | PE/PB/市值/换手率（实时） |
| 东方财富 | HTTP | 龙虎榜、限售解禁、板块行情 |
| 新浪财经 | HTTP | K 线历史、财报三表 |
| 同花顺 | HTTP | EPS 一致预期 |
| 财联社 | HTTP | 全球财经快讯 |
| 百度股市通 | HTTP | 概念板块分类、资金流向 |
东方财富存在 IP 限流问题，项目内置了 _em_get() 节流机制：串行请求 + 随机抖动间隔（默认 ≥1s），实测可以稳定运行。批量分析场景可调 EM_MIN_INTERVAL=1.5~2 进一步降速。
⚠️ 重要声明：项目 README 第一行就写明：不构成任何投资建议，也不提供任何投资服务。
以下几个局限需要在使用时心里有数：
这不是量化策略回测。tradingagents performance 输出的"方向正确率"统计的是"某天做出的判断在固定持有期后的表现"，但没有仓位管理、不计交易成本和冲击成本，样本还可能有选择偏差。项目自己也说"样本少于 20 条时这些比率基本是噪音"。
LLM 幻觉风险。金融场景对事实准确性要求极高，而 LLM 生成的内容中可能混入不准确的财务数据或宏观判断，需要使用者自行核实。
API 成本。一次完整分析需要 30-50 次 LLM 调用，成本取决于所选模型。用 MiniMax 等国内低价模型是成本最优解，用 Claude Opus 级别模型单次分析可能超过 10 元。
东方财富 IP 封禁。批量跑多只股票时需要注意节流，否则东方财富会临时封禁 IP。
推荐使用路径：
第一步：pip install -e . 安装依赖
第二步：streamlit run web/app.py 启动 Web UI
第三步：选 MiniMax 或 DeepSeek 模型（性价比最高）
第四步：输入一只股票代码，观察 12 阶段实时进度
第五步：阅读中间报告，理解每个分析师的判断逻辑
第六步：仅把最终评级作为参考，结合自己的研究做决策
TradingAgents-Astock 的爆火（3500+ ⭐，每日稳定增长），折射出一个更宏观的趋势：垂直领域 Agent 工作流的价值，正在从"灵活编排"转向"开箱即用"。
通用 Agent 框架承诺"灵活编排"，但垂直用户真正需要的是"配置好就能跑"的工作流。TradingAgents-Astock 提供了经过验证的 A 股投研逻辑、内置的免费数据源、10 家 LLM 供应商的一键切换——这些才是真正降低门槛的东西。
对于 AI 技术观察者来说，这个项目也是一个理解 Multi-Agent 协作机制的优秀样本：角色分工、信息路由、辩论对抗、记忆持久化、断点续跑……所有这些工程实现都可以在代码里找到对应实现，而不只是论文里的概念图。
项目采用 LangGraph 作为核心编排框架（langgraph>=1.0），这是 LangChain 生态中最成熟的 DAG 工作流库，天然支持检查点（checkpoint）持久化和断点续跑。
测试覆盖较为完善：tests/ 目录包含 40+ 个测试文件，覆盖 LLM 超时、模型切换、数据源质量、上下文压缩等场景。代码结构清晰：tradingagents/ 下分 agents/（角色定义）、dataflows/（数据获取）、graph/（工作流编排）、llm_clients/（多供应商客户端）。
需要注意的是，项目依赖链较长（langchain-core、backtrader、mootdx 等），首次 pip install -e . 可能需要 3-5 分钟。
本报告基于 GitHub 仓库信息及公开资料生成，报告生成日期：2026-09-25。