TauricResearch/TradingAgents · 上手攻略
- 仓库：TauricResearch/TradingAgents
- 链接：https://github.com/TauricResearch/TradingAgents
- 分类：AI Agent · 金融交易
- 作者：Tom
- 更新：2026-08-04
是什么
TradingAgents 是一个多 Agent LLM 金融交易研究框架，模拟真实交易公司的组织架构：基本面分析师、舆情分析师、技术分析师、交易员、风险管理团队和投资组合经理，各自运作后通过结构化辩论达成交易决策。它基于 LangGraph 构建，支持 OpenAI GPT、Claude、Gemini、DeepSeek、Qwen、MiniMax、Grok 等多种 LLM 提供商，也支持本地 Ollama 模型。
v0.3.1（2026-07）支持 Claude Sonnet 5 / Fable 5，提供 Alpha Vantage 实时数据、FRED 宏观数据、Polymarket 预测市场数据，以及加密货币情感数据。本框架明确仅用于研究目的，不构成投资建议。
解决什么问题
- 单一大语言模型做投资决策风险高：单一 LLM 受限于训练数据偏差和幻觉，缺乏多角度分析。
- 手工量化研究门槛高：传统量化交易需要精通数学、统计学和金融工程，TradingAgents 将这套流程 Agent 化。
- 缺乏可解释的交易决策：多 Agent 结构化辩论让每一步决策都有据可查，决策链可回溯。
快速安装
标准安装
git clone https://github.com/TauricResearch/TradingAgents.git
cd TradingAgents
conda create -n tradingagents python=3.12
conda activate tradingagents
pip install .
Docker（推荐，含本地 Ollama 支持）
cp .env.example .env # 编辑填入 API Key
docker compose run --rm tradingagents
# 本地模型
docker compose --profile ollama run --rm tradingagents-ollama
配置 API Key（至少选一个）
export OPENAI_API_KEY=... # OpenAI
export ANTHROPIC_API_KEY=... # Anthropic (Claude)
export GOOGLE_API_KEY=... # Google (Gemini)
export DEEPSEEK_API_KEY=... # DeepSeek
export XAI_API_KEY=... # xAI (Grok)
export DASHSCOPE_API_KEY=... # Qwen 国际版
export DASHSCOPE_CN_API_KEY=... # Qwen 中国版
export ZHIPU_API_KEY=... # GLM via Z.AI
export MINIMAX_API_KEY=... # MiniMax
export OPENROUTER_API_KEY=... # OpenRouter
export ALPHA_VANTAGE_API_KEY=... # Alpha Vantage 实时数据
核心用法
交互式 CLI（最直接）
tradingagents
# 或从源码运行
python -m cli.main
CLI 会引导选择：股票代码、分析日期、LLM 提供商、研究深度。输出包含各 Agent 分析报告、交易辩论结果和最终决策。
Python 包（集成到自己的研究流程）
from tradingagents.graph.trading_graph import TradingAgentsGraph
from tradingagents.default_config import DEFAULT_CONFIG
graph = TradingAgentsGraph(config=DEFAULT_CONFIG)
decision = graph.propagate(ticker="AAPL", date="2026-07-15")
支持的市场
| 市场 | 代码示例 |
|---|---|
| 美股 | AAPL, SPY |
| 港股 | 0700.HK |
| 日股 | 7203.T |
| A股 | 600519.SS（贵州茅台） |
| 加密 | BTC-USD, ETH-USD |
本地模型（Ollama）
# 安装后端
pip install ".[ollama]"
# 编辑配置 config.yaml
llm_provider: "ollama"
ollama_base_url: "http://localhost:11434/v1"
# 拉取模型
ollama pull llama3.2
典型适用场景
- 学术研究：用多 Agent 辩论机制研究 LLM 在金融决策中的涌现行为（如 Trading-R1 论文）。
- 回测实验：用历史数据测试不同 LLM 提供商和模型对交易决策的影响。
- 因子研究：通过 Fundamentals Analyst、Sentiment Analyst、Technical Analyst 三个维度提取 Alpha 信号。
- 教学演示：展示多 Agent 协作决策流程，作为 AI + 金融课程案例。
坑与注意
- 仅供研究，不构成投资建议：官方明确免责声明，框架不处理真实撮合交易，所有数据来自模拟或公开数据源。
- API 成本可能较高：多 Agent 结构每次分析涉及多个 LLM 调用，深度研究模式成本需关注。
- 数据延迟：Alpha Vantage 免费层有限制，实时交易场景需付费计划。
- 中国 A 股支持：需要手动在 yfinance 层面确认数据可用性，部分 ticker 可能因防火墙问题取不到数据。
- 模型选择影响大：Claude / GPT / Gemini 的金融推理能力差异显著，换模型需重新评估结论质量。
- Ollama 本地模型限制：Ollama 驱动的模型（如 llama3.2）推理能力弱于 GPT-4o/Claude-4，决策质量可能明显下降。
与同类对比
| 框架 | 定位 | 优势 | 劣势 |
|---|---|---|---|
| TradingAgents | 多 Agent 金融研究 | 多角色辩论、LangGraph 架构、多 LLM 支持 | 仅模拟交易，真实撮合需自行对接 |
| FinRL | 深度强化学习量化 | 支持真实交易 API、成熟回测 | 单 Agent，需大量标注数据 |
| Catalyst | Crypto 量化 | 专业加密货币回测 | 非 LLM 驱动 |
| Axion / QuantConnect | 在线量化平台 | 生态完整、社区丰富 | 非 Agent 架构 |
一句话结论
TradingAgents 是目前最完整的开源多 Agent 金融研究框架，模拟真实投行研报复盘流程，适合用多 LLM 协作辩论机制做金融信号研究和 Alpha 实验——但它是研究工具，不是交易机器人。
最小可跑命令（需 Python 3.12 + conda + API Key）： ```bash conda create -n ta python=3.12 && conda activate ta git clone https://github.com/TauricResearch/TradingAgents.git && cd TradingAgents pip install . export ANTHROPIC_API_KEY=sk-... # 至少填一个 cp .env.example .env && pip install . # 已装 tradingagents # 交互式：输入 AAPL, date=2026-07-15, LLM=claude
硬件需求：无特殊 GPU 要求，LLM 调用走 API
CUDA: 取决于所选 LLM（云端 API 无需本地 CUDA，本地 Ollama 需 GPU）
```
来源：GitHub README（main 分支）、CHANGELOG（v0.2.0→v0.3.1）、arXiv:2412.20138。
不确定处：框架内各 Agent 实际决策质量未经回测验证；Alpha Vantage look-ahead filtering（v0.3.1 新特性）具体防数据泄露机制，建议阅读 CHANGELOG 源码确认后再用于严肃回测；A 股 .SS/.SZ 数据可用性依赖 yfinance对中国区支持，建议实操前单独验证。