TradingAgents

分析师各自写报告、开研究辩论会、交易员下单、风控把关——一支 AI 投研团队的分工与制衡

项目速览

项目 内容
仓库 TauricResearch/TradingAgents
语言 Python
Stars 113,954（2026-10-25），Forks 22,064
协议 Apache-2.0
状态 2024-12-28 建库，2026 年 10 月发布 v0.7.0
学术 论文 arXiv 2412.20138，配套 Trading-R1 技术报告

它想解决什么问题

单个 LLM 做交易决策的问题很明显：它什么都会一点，但没有分工、没有制衡、没有可追溯的论证链。真实交易公司的做法恰恰相反——不同视角的分析师各写报告，然后辩论，再分层决策。

TradingAgents 把这家”公司”搬进了框架里。

核心机制拆解

1. 分析师团队并行工作，各用各的工具。

  • 基本面分析师：评估公司财务与绩效指标，找内在价值与红旗；
  • 情绪分析师：把新闻标题、StockTwits、Reddit 讨论聚合成一个市场情绪读数；
  • 新闻分析师：监控全球新闻与宏观指标，解读事件影响；
  • 技术分析师：用 MACD、RSI 等指标检测形态、预测价格走势。

2. 报告齐了，进入动态辩论。 Agent 们互相讨论以锁定最优策略，再由 Trader 与 Portfolio Manager 结构化输出决策，风险管理团队把关——多头与风控的对抗被显式建模成对话，这是它最有意思的地方。

3. 严谨性：这个框架在”防未来函数”。 changelog 读起来像一本数据工程洁癖合集：

  • Point-in-time 完整性：FRED 宏观数据、社交媒体情绪、决策日志全部按”分析日期当天已发布”的数据回填，杜绝前视偏差；
  • SEC EDGAR 基本面按申报原文提供；
  • 回测按 ticker × 日期网格跑，每个决策后的第一个收盘价才开始计分；
  • v0.7.0 起支持用你自己的 ChatGPT Plus / Pro 套餐跑。

4. 模型侧完全不锁定。 GPT-5.x、Gemini 3.x、Claude 4.x、Grok 4.x、DeepSeek、Qwen、GLM、MiniMax、Bedrock、NVIDIA NIM、Kimi、Groq、Mistral，以及任何 OpenAI 兼容端点，甚至远程 Ollama。

安装与上手

点评

亮点不是”能不能赚钱”，而是把”一群专家 Agent 如何协作决策”这件抽象事，做成了可复现、可回测、可换模型的工程系统。point-in-time 数据管线这一层，做量化的人可以直接抄作业。

局限必须讲明：README 把免责声明写在显眼位置——框架用于研究目的，不构成投资建议，表现取决于底座模型、温度、交易周期与数据质量；多 Agent 辩论的 token 成本不低，长周期回测的算力开销要提前算；情绪数据源（StockTwits、Reddit）本身的稳定性与合规性需自行评估。

适合人群：多智能体系统研究者（辩论、角色分工、结构化输出的现成范例）；量化爱好者（point-in-time 管线值得借鉴）；想用自家模型跑一套完整流水线的团队。