GitHub 仓库
直接克隆、安装、运行。里面有 CLI 命令、环境配置、Provider 设置和版本标签。
- CLI、Python 包、Docker 三种上手方式
- 版本发布记录，包括最近的 grounded-data 改进
- Issues、Stars、社区贡献
4
个不同角度的分析师
2
个立场做多空辩论
1
份按代码积累的决策记忆
全球
市场代码覆盖
什么是 Trading Agents？多智能体大语言模型交易框架
TradingAgents 是一个开源框架。别的系统只靠一个模型搞定一切，它不这么干——它用一群各司其职的 LLM 智能体组成一个团队，通过 LangGraph 串起来，靠结构化辩论和层层风控来做决策。
1
多智能体架构
TradingAgents 把任务拆开，分给多个专门化的智能体：四个分析师（基本面、情绪、新闻、技术面），两个研究员（一个看多一个看空），一个交易员，一个风控，还有一个组合经理。每个角色背后都是一个 LLM，通过 LangGraph 状态机串在一起，出了什么问题在哪一步出的都能查。
2
辩论驱动决策
交易员动手出建议之前，看多和看空的研究员先干一轮（或者好几轮）结构化辩论，把分析师团队搬来的证据从头到尾过一遍。两边互相挑刺的结果，就是幻觉更少、盲区更少——最后得出的结论比一个模型拍脑袋靠谱得多。
3
风控优先的执行管线
每一笔交易提案都得先过风控那一关——波动率、流动性、组合风险敞口，全都要看一遍。然后才是组合经理审批，不批就不执行。两道门槛，少一道都不行。
4
全球市场覆盖
Yahoo Finance 上能查到的代码都能用。美股（AAPL、SPY）、港股（0700.HK）、日股（7203.T）、英股（AZN.L）、印度（RELIANCE.NS）、A 股（600519.SS）、加密货币（BTC-USD、ETH-USD），都支持。开始分析之前，公司身份就已经确定性地解析好了。
TradingAgents 多智能体架构：9 个专门角色
TradingAgents 的架构参考了真实交易公司——不靠一个模型包打天下，而是把活拆成更窄的角色，分三层来干：分析师、研究员、执行层。每个角色的产出都能追溯。
分析师团队：四个研究维度
基本面分析师
翻财报、评估盈利能力、算内在价值。能从收入确认、利润率趋势、资产负债表健康度这些角度发现潜在的问题。
情绪分析师
汇总新闻语气、StockTwits 上的讨论和 Reddit 的情绪，判断短期市场心态。基本面看不到的群体心理，这里能补上。
新闻分析师
盯着全球宏观经济指标和市场重大新闻。政策变了、财报超预期了、地缘政治出事了——这些对标的可能有什么影响，它能帮你判断。
技术分析师
用 MACD、RSI、移动平均线这些技术指标分析走势，判断价格方向。每个结论都基于经过验证的数据快照，不是拍脑袋。
决策链条：辩论、执行、审批
Step 1
看多研究员
基于分析师团队的发现搭看多逻辑——哪些因素值得加仓位，哪些催化剂能推着股价往上走。
Step 2
看空研究员
搭看空逻辑，找隐藏的脆弱点和估值风险。看多的那个如果错了，最可能错在哪。
Step 3
交易员
综合研究结果和辩论结论，给一个结构化的交易建议——方向、仓位、时机、理由，都要写清楚。
Step 4
风控团队
从波动率、流动性、组合敞口的角度重新看一遍交易提案。觉得不行就打回去改，或者直接否掉。
Step 5
组合经理
做最终的批准或否决。批了的单子进模拟交易所执行，所有操作都记下来以后能查。
Trading Agents 资源入口：GitHub、论文与快速概览
三个入口，看你习惯怎么了解一个新项目——从代码入手、从论文入手、还是先看个总览。
决策流程
Trading Agents 研究流程：从代码到投资决策
每个环节的活都很窄，产出是结构化的，跑完之后不管是审计、恢复还是拿两次运行结果做对比，都很方便。
1
1. 设定研究上下文
选代码、选日期、选 LLM Provider 和模型、定研究深度——都在 CLI 或者 Python 配置里搞定，随时可以调。
2
2. 构建分析记录
四个专业分析师各自收集基本面、情绪、新闻和技术面的信息。代码解析是带市场感知的，数据快照是经过验证的。
3
3. 做多空辩论
两个研究员各站一边，拿分析师团队的结论出来对质。几轮辩论下来，哪些证据站得住脚、哪些还有疑问，在交易建议出来之前就清楚了。
4
4. 输出交易提案
交易员综合研究结果和辩论结论，给一个结构化的建议——买卖方向、仓位大小、时机、理由，一项一项列清楚。
5
5. 风控审查 + 组合审批
风控团队评估波动率和风险敞口，然后组合经理做最终决定。批了的进模拟交易所执行，同时写到持久化记忆里存起来。
为什么这样跑出来的结果更可信
验证过的数据访问合约，能把捏造市场事实的可能性压到最低。
有据可查的分析师加上确定性的代码解析，事实偏移基本可控。
开了 checkpoint 的话，LangGraph 运行到一半断了也能续上，不用从头再来。
TradingAgents 能力覆盖：Provider、市场与持久化
该灵活的地方灵活，该严谨的地方严谨。
有据可查的数据
智能体引用的是经过验证的数据快照，不是猜出来的价格。分析开始之前，代码身份就已经确定性地解析好了。
- 先验代码身份，再开始分析
- 情绪分析师的数据来源是结构化的
- 价格和指标锚定在验证过的数据快照上
多 Provider 支持
主流 API、本地模型、或者任何 OpenAI 兼容的端点都能用，不用动工作流图。
- OpenAI、Anthropic Claude、Google Gemini、xAI Grok、DeepSeek
- OpenRouter、Ollama、远程 Ollama、Groq、Kimi、Mistral、Bedrock
- vLLM、LM Studio、llama.cpp 等 OpenAI 兼容后端
全球市场
Yahoo Finance 上能查到的市场都支持，同一套流程直接在市场间切换。
- 美股：AAPL、SPY · 港股：0700.HK · 日股：7203.T
- 英股：AZN.L · 印度：RELIANCE.NS · A 股：600519.SS
- 加密货币：BTC-USD、ETH-USD
持久化决策记忆
两个状态层保证长时间的研究不会白做。
- 决策记忆写入 ~/.tradingagents/memory/trading_memory.md
- 按代码存的 SQLite 断点，崩溃了也能续
- 跑完了自动清理断点文件，不占地方
可复现性的边界
项目明确说了哪些地方会变、哪些不会，方便你区分信号和噪声。
- 推理模型天生就有非确定性
- 新闻和社交情绪随时间推移会变，就算日期固定也一样
- 温度参数只在支持它的模型上管用
Trading Agents 输入、输出与研究边界
把 TradingAgents 理解成一条有边界的管线就对了——输入是明确的，中间状态都能看，输出是结构化的，可复现的范围也是清楚的。
你可以配置什么（输入）
代码 + 市场身份
一个股票代码（需要的时候带上交易所后缀，比如 0700.HK、600519.SS），再加一个目标交易日，一次运行的锚点就定好了。
LLM Provider + 模型组合
主流 API、本地 Ollama 模型、OpenAI 兼容的后端，随便换——工作流图不用动。
辩论轮数 + 断点开关
辩论轮数越多交叉验证越充分，代价是跑得更久。开了断点模式的话，中途崩了也不白跑。
你能拿到什么（输出）
多角度分析记录
基本面、情绪、新闻、技术面四个维度各出一份结论，合在一起看，不是一个人说了算。
结构化交易建议
交易员给的是一份具体的动作建议——买、卖、持有、观望——附带仓位、时机和理由，不是一段含糊的市场分析。
持久化的决策历史
跑完的结果写进决策日志，方便拿不同时间的结果做对比。按代码存的断点让你从上次中断的地方接着跑。
Trading Agents 回测实验结果与性能数据
2024 年 1 月 1 日到 3 月 29 日，我们用 Apple（AAPL）、Nvidia（NVDA）、Microsoft（MSFT）、Meta（META）和 Google（GOOGL）这几只主要科技股做了一组回测。智能体做决策的时候只能用截止到当天的数据，不存在未来数据偏差。数据集是复合的——历史股价、新闻、社交媒体情绪、内幕交易、财务报表全在里面，每只股票还算了 60 个技术指标。
Experimental Setup
- 回测周期：2024 年 1 月 1 日 → 3 月 29 日（3 个月）
- 测试标的：AAPL、NVDA、MSFT、META、GOOGL
- 数据源：历史价格、新闻（Bloomberg、Yahoo、FinnHub、Reddit）、社交媒体（Reddit、X/Twitter）、内幕交易（SEDI）、财务报表、每只股票 60 个技术指标
- 对比基线：Buy and Hold、MACD、KDJ+RSI、ZMR、SMA（五种策略）
- 没有未来数据偏差：智能体只用截止到当天的数据
- 评估指标：累计收益率（CR）、年化收益率（AR）、夏普比率（SR）、最大回撤（MDD）
Key Results
- TradingAgents 在所有测试股票上至少跑了 23.21% 的累计收益率，比最好的基线还高出 6.1%。
- AAPL 那段时间波动很大，传统策略普遍不太行——但 TradingAgents 三个月跑了 26% 以上。
- 夏普比率说明 TradingAgents 在风险调整后收益上确实有优势，Buy-and-Hold 和规则型策略都没追上。
- 所有资产的最大回撤都控制在 2.11% 以下——多智能体辩论和风控团队确实起了作用。
- 这套基于 LLM 的框架完全可以解释：每笔决策的推理过程、工具调用和思考路径都通过 ReAct 记录在案，交易员随时能查、随时能调。
结果受模型选择、温度参数、数据质量和时间窗口影响。仅供研究演示，不构成投资建议。过往表现不代表未来收益。
开始使用
三种方式运行 TradingAgents
用 CLI 上手交互相应最快，用 Python 包可以写脚本做实验，用 Docker 跑隔离环境最省心。
CLI
适合交互式运行，想换 Provider 换模型都很快。终端界面打开，所有参数在一个画面里配好。
git clone https://github.com/TauricResearch/TradingAgents.git
cd TradingAgents && pip install .
tradingagentsPython 包
适合写脚本做实验，或者把多智能体图嵌到更大的研究管线里。
from tradingagents.graph.trading_graph import TradingAgentsGraph
ta = TradingAgentsGraph(debug=True)
_, decision = ta.propagate("NVDA", "2026-01-15")Docker + 本地模型
适合要隔离环境、多人共用、或者用 Ollama 跑本地推理的场景——不会有依赖冲突。
cp .env.example .env
docker compose run --rm tradingagents
docker compose --profile ollama run --rm tradingagents-ollamaTrading Agents 与 Trading-R1 及单智能体 Bot 对比
TradingAgents 刚好卡在学术研究和简单 Bot 之间。下面这张表能说清楚它和两边到底有什么不一样。
| 对比维度 | Trading Agents | Trading-R1 论文 | 单智能体 Bot |
|---|---|---|---|
| 本质是什么 | 可运行的开源框架，带 CLI、Python API、Docker 和 LangGraph 工作流图。 | 一篇学术论文，讲系统架构、角色设计和评估方法。 | 通常一个 LLM 套一层 Prompt，没什么流程控制。 |
| 决策流程 | 多阶段管线：四个分析师→多空辩论→交易员→风控审查→组合经理审批。 | 解释多智能体推理为什么这么设计，本身不能执行。 | 单个模型直接给建议，没有内部辩论也没有人唱反调。 |
| 可审计性 | LangGraph 状态追踪、断点续跑、决策日志永久保存、每个角色输出都很明确。 | 概念上能帮你理解审计思路，但没有可执行的审计记录。 | 复盘比较困难，因为整个推理过程都压在一个模型回答里。 |
| 灵活性 | 10+ 个 LLM Provider、本地模型、全球股票代码、Docker、辩论深度可调。 | 不是可操作的工具，主要是提供研究背景。 | 通常是锁死的——一个模型、一个市场、一条路，能配的东西很少。 |
论文和框架是互补的。Trading-R1 讲的是为什么这么设计，TradingAgents 是你真正用来跑工作流的东西。
Trading Agents 版本里程碑
最近的更新主要集中在数据基础更扎实、恢复能力更好、支持的 Provider 和地区更多。
2026-06
v0.3.0
加了验证过的数据访问合约、扩展了 Provider 注册表、接了 FRED 和 Polymarket 数据源、上了 CI 门禁。
2026-05
v0.2.5
加了基于真实数据的情绪分析师、支持 GPT-5.5、Qwen 和 GLM 双区域支持、远程 Ollama、更广的基准测试。
2026-04
v0.2.4
加了结构化输出智能体、LangGraph 断点续跑、持久化决策日志、Docker 支持、Windows UTF-8 修复。
2026-03
v0.2.3 与 v0.2.2
加了多语言支持、统一模型目录、OpenAI Responses API，还有更多新模型系列。
2026-02
v0.2.0
全面支持 GPT、Gemini、Claude、Grok 等多 Provider LLM。
2026-01
Trading-R1 技术报告
技术报告先发，终端预计后面跟上。
Trading Agents 常见疑问解答
关于谁在维护这个项目、输出结果怎么理解、框架怎么评估——几个常见的疑问。
Q1
TradingAgents 谁在维护？用什么许可证？
Tauric Research 在维护，Apache 2.0 许可证——完全开源、可以商用、可以审计。GitHub 仓库是代码、Issues 和文档的唯一官方来源。
Q2
评估 TradingAgents 的时候重点看什么？
重点看结构设计：数据访问靠不靠谱、角色分得清不清楚、走决策之前有没有对抗式辩论、断点恢复能不能用、研究输出和投资建议有没有分清楚。
Q3
TradingAgents 跟别的交易 Bot 有什么不一样？
交易 Bot 通常是靠信号自动下单。TradingAgents 是个研究框架，出的是结构化的分析和模拟决策——它不连券商，也不会自动执行实盘交易。
Q4
TradingAgents 的分析结果应该怎么理解？
把它理解成某个股票代码在某一天的结构化研究结果，不是交易信号。框架能帮你检查决策路径、在不同运行之间对比推理——但它消除不了市场的不确定性，也消除不了模型本身的差异。
Trading Agents 常见问题
关于这个框架能干啥不能干啥，几个直接的回答。