TradingAgents 把一家交易公司建模成一队 LLM agent。分析师研究基本面、情绪、新闻和技术面;多头和空头研究员辩论;交易员拍板;风控经理和组合经理在模拟交易前批准或否决。它基于 LangGraph,并有学术论文背书(arXiv 2412.20138)。它聚人气是因为那个干净的想法(把交易台的组织结构变成 agent 图),但值得读过 README 的理由是它的边界:这些边界是真实的,而且项目自己也写明了。
它怎么运作
工作流是一张有清晰顺序的图:
- 四个分析师 agent 并行跑:基本面、情绪、新闻、技术面。
- 多头和空头研究员就分析师的发现辩论可配置的轮数。
- 交易员 agent 把辩论综合成一个决策。
- 风控层和组合经理批准或否决,然后决策送到模拟交易所。
它持久化一份决策日志,使日后对同一标的的运行能反思先前的判断,并用 LangGraph 检查点(SQLite)让中断的运行从上一个良好步骤恢复。截至 2026-06,它支持 11+ 个 provider(OpenAI、Gemini、Anthropic、DeepSeek、Qwen、GLM、MiniMax、OpenRouter、本地 Ollama 等),数据取自 Yahoo Finance、FinnHub、Alpha Vantage、StockTwits 和 Reddit。
安装
git clone https://github.com/TauricResearch/TradingAgents.git
cd TradingAgents
conda create -n tradingagents python=3.13 && conda activate tradingagents
pip install .
# 或 Docker
cp .env.example .env # 填 API keys
docker compose run --rm tradingagents
# 本地模型
docker compose --profile ollama run --rm tradingagents-ollama你需要 LLM key 加数据源 key(Alpha Vantage、FinnHub)。用 tradingagents 交互式运行,选标的、日期、provider 和研究深度。
from tradingagents.graph.trading_graph import TradingAgentsGraph
from tradingagents.default_config import DEFAULT_CONFIG
ta = TradingAgentsGraph(debug=True, config=DEFAULT_CONFIG.copy())
_, decision = ta.propagate("NVDA", "2026-01-15")
print(decision)最要紧的告诫
这是一篇”胜过 README”的页面欠你的部分。三条诚实的边界:
- **前向偏差是被记录在案的风险。**一个开放 issue(#1007)报告:一条取新闻的路径可能把未来新闻注入历史回测,是一处静默的前向泄漏。几个相关 issue(#992、#993、#986、#987)描述了 yfinance 日期过滤的边界情况。如果你做回测,在信任任何收益前先审计数据路径。
- **运行成本高。**每次分析都会铺开到分析师、多轮辩论、交易员、风控和组合经理,每一步都是一次 LLM 调用。用高端推理模型时,token 花费攀升很快。
- **结果非确定。**LLM 采样意味着同一标的、同一日期可能给出不同判断。降低温度、用非推理模型能减小方差,但消不掉。
还有项目直白说明的那条显而易见的:这是用于研究和教育,不是投资建议。
适合与不适合
适合:想要一个可运行、结构良好的金融多 agent 参考的研究者和构建者,以及任何借一个具体领域研究 agent 编排的人。不适合当成对接券商的交易系统:前向偏差、成本和非确定性使那是个坏主意。把它当框架和论文,而不是策略。
横向对比
| 项目 | 形态 | Stars(2026-06) |
|---|---|---|
| TauricResearch/TradingAgents | 多 agent LLM 框架,角色辩论 | ~85k |
| virattt/ai-hedge-fund | AI 对冲基金 agent 团队 | ~60k |
| microsoft/qlib | 量化平台,ML/RL | ~44k |
| AI4Finance-Foundation/FinGPT | 开源金融 LLM | ~20k |
ai-hedge-fund 精神上最接近(一队 agent 做判断);qlib 是传统量化平台,非 LLM 优先;FinGPT 关注模型本身。TradingAgents 的长处是明确的”公司结构”框架加学术根基。
FAQ
TradingAgents 能做实盘交易吗? 不能。项目直白说明它用于研究和教育,加上回测里被记录的前向偏差(#1007)和非确定输出,使实盘是个坏主意。用 TradingAgents 研究框架,而非管理组合。
TradingAgents 运行成本多高? 每次分析铺开到四个分析师、一轮多回合的多空辩论、一个交易员、风控和组合经理,每一步都是 LLM 调用。用高端推理模型时累加得很快,先用便宜模型测。
TradingAgents 可复现吗? 不可靠。LLM 采样使同一标的、同一日期产出不同判断。降温度、用非推理模型能减小方差,但消不掉。
TradingAgents 需要哪些 API key? 至少一个 LLM provider key,加 Alpha Vantage、FinnHub 这类数据源 key。免费档的限额在重度使用时会咬人。
相关阅读
如果你在更广地探索多 agent 编排,anomalyco/opencode 和 obra/superpowers 代表的 agent 与 skill 生态,展示了同样的 LangGraph 式协调如何在金融之外出现。