TradingAgents：多智能体大语言模型金融交易框架
新闻动态
- [2026年3月] TradingAgents v0.2.2 发布，新增对 GPT-5.4/Gemini 3.1/Claude 4.6 模型的支持，引入五级评级量表，集成 OpenAI Responses API、Anthropic effort 控制功能，并提升了跨平台稳定性。
- [2026年2月] TradingAgents v0.2.0 发布，新增对多 LLM 提供商的支持（GPT-5.x、Gemini 3.x、Claude 4.x、Grok 4.x），并改进了系统架构。
- [2026年1月] Trading-R1 技术报告 已发布，Terminal 预计即将上线。
🎉 TradingAgents 已正式发布！我们收到了大量关于该工作的咨询，感谢社区的热情支持。
因此，我们决定将该框架完全开源。期待与您共同打造有影响力的项目！
TradingAgents 框架
TradingAgents 是一个多智能体交易框架，模拟了真实交易公司的运作模式。该平台部署了由大语言模型驱动的专业智能体，包括基本面分析师、市场情绪专家、技术分析师，以及交易员、风险管理团队等。这些智能体协同工作，共同评估市场状况并为交易决策提供依据。此外，这些智能体还会进行动态讨论，以确定最优策略。
TradingAgents 框架仅供研究用途。交易表现可能受多种因素影响，包括所选的大语言模型、模型温度参数、交易周期、数据质量以及其他非确定性因素。本文不作为财务、投资或交易建议。
该框架将复杂的交易任务分解为多个专业角色，确保系统能够以稳健、可扩展的方式进行市场分析和决策制定。
分析师团队
- 基本面分析师：评估公司的财务状况和业绩指标，识别内在价值及潜在风险点。
- 市场情绪分析师：利用情绪评分算法分析社交媒体和公众情绪，判断短期市场情绪。
- 新闻分析师：监测全球新闻和宏观经济指标，解读各类事件对市场状况的影响。
- 技术分析师：运用技术指标（如 MACD、RSI）识别交易模式，预测价格走势。
研究员团队
- 包括看涨和看跌研究员，他们对分析师团队提供的见解进行批判性评估。通过结构化的辩论，平衡潜在收益与内在风险。
交易员智能体
- 综合分析师和研究员的报告，做出明智的交易决策。它基于全面的市场洞察，确定交易时机和交易规模。
风险管理与投资组合经理
- 持续评估投资组合风险，分析市场波动性、流动性及其他风险因素。风险管理团队负责评估和调整交易策略，并向投资组合经理提供评估报告以供最终决策。
- 投资组合经理负责批准或驳回交易提案。如果获批，订单将被发送至模拟交易所并执行。
安装与命令行界面
安装
克隆 TradingAgents 仓库：
git clone https://github.com/TauricResearch/TradingAgents.git
cd TradingAgents
使用您喜欢的任何环境管理器创建虚拟环境：
conda create -n tradingagents python=3.13
conda activate tradingagents
安装包及其依赖项：
pip install .
所需 API
TradingAgents 支持多种大语言模型服务提供商。请为您选择的提供商设置 API 密钥：
export OPENAI_API_KEY=... # OpenAI (GPT)
export GOOGLE_API_KEY=... # Google (Gemini)
export ANTHROPIC_API_KEY=... # Anthropic (Claude)
export XAI_API_KEY=... # xAI (Grok)
export OPENROUTER_API_KEY=... # OpenRouter
export ALPHA_VANTAGE_API_KEY=... # Alpha Vantage
如需使用本地模型，请在配置中将 llm_provider 设置为 "ollama"。
或者，复制 .env.example 文件为 .env 并填入您的密钥：
cp .env.example .env
命令行界面使用
启动交互式命令行界面：
tradingagents # 使用已安装的命令
python -m cli.main # 或者直接从源码运行
您将看到一个界面，可在其中选择所需的股票代码、分析日期、LLM 提供商、研究深度等。
界面会随着结果加载而实时显示，让您能够跟踪智能体的运行进度。
TradingAgents 包
实现细节
我们使用 LangGraph 构建 TradingAgents，以确保灵活性和模块化。该框架支持多种 LLM 提供商：OpenAI、Google、Anthropic、xAI、OpenRouter 和 Ollama。
Python 使用示例
要在代码中使用 TradingAgents，您可以导入 tradingagents 模块并初始化一个 TradingAgentsGraph() 对象。.propagate() 函数将返回一个决策结果。您可以运行 main.py，以下是一个简单示例：
from tradingagents.graph.trading_graph import TradingAgentsGraph
from tradingagents.default_config import DEFAULT_CONFIG
ta = TradingAgentsGraph(debug=True, config=DEFAULT_CONFIG.copy())
# 前向传播
_, decision = ta.propagate("NVDA", "2026-01-15")
print(decision)
您也可以调整默认配置，设置您自己选择的 LLM、辩论轮次等。
from tradingagents.graph.trading_graph import TradingAgentsGraph
from tradingagents.default_config import DEFAULT_CONFIG
config = DEFAULT_CONFIG.copy()
config["llm_provider"] = "openai" # 可选：openai, google, anthropic, xai, openrouter, ollama
config["deep_think_llm"] = "gpt-5.2" # 用于复杂推理的模型
config["quick_think_llm"] = "gpt-5-mini" # 用于快速任务的模型
config["max_debate_rounds"] = 2
ta = TradingAgentsGraph(debug=True, config=config)
_, decision = ta.propagate("NVDA", "2026-01-15")
print(decision)
有关所有配置选项，请参阅 tradingagents/default_config.py。
贡献指南
我们欢迎社区贡献！无论是修复错误、改进文档，还是提出新功能建议，您的参与都将帮助这个项目变得更好。如果您对该研究方向感兴趣，请考虑加入我们的开源金融 AI 研究社区 Tauric Research。
引用
如果您发现 TradingAgents 对您有所帮助，请引用我们的工作 :)
@misc{xiao2025tradingagentsmultiagentsllmfinancial,
title={TradingAgents: Multi-Agents LLM Financial Trading Framework},
author={Yijia Xiao and Edward Sun and Di Luo and Wei Wang},
year={2025},
eprint={2412.20138},
archivePrefix={arXiv},
primaryClass={q-fin.TR},
url={https://arxiv.org/abs/2412.20138},
}
