---

TradingAgents：多智能体大模型金融交易框架

最新消息

• [2026年3月] TradingAgents v0.2.3 发布，新增多语言支持、GPT-5.4 系列模型、统一模型目录、回测日期保真度及代理支持。
• [2026年3月] TradingAgents v0.2.2 发布，覆盖 GPT-5.4/Gemini 3.1/Claude 4.6 模型，引入五级评分体系、OpenAI Responses API、Anthropic 负荷控制以及跨平台稳定性改进。
• [2026年2月] TradingAgents v0.2.0 发布，支持多提供商 LLM（GPT-5.x、Gemini 3.x、Claude 4.x、Grok 4.x），并优化了系统架构。
• [2026年1月] Trading-R1 技术报告 发布，预计不久后将推出 终端。

🎉 TradingAgents 正式发布！我们收到了大量关于该项目的咨询，衷心感谢社区的热情支持。

因此，我们决定将该框架完全开源。期待与您携手打造具有影响力的项目！

TradingAgents 框架

TradingAgents 是一个模拟真实交易公司运作机制的多智能体交易框架。通过部署由大模型驱动的专业化智能体——包括基本面分析师、情绪专家、技术分析师、交易员以及风险管理团队——该平台能够协同评估市场状况并指导交易决策。此外，这些智能体还会进行动态讨论，以确定最佳策略。

TradingAgents 框架专为研究目的而设计。其交易表现可能因多种因素而异，包括所选的基础语言模型、模型温度、交易时段、数据质量以及其他非确定性因素。本框架并非财务、投资或交易建议。

我们的框架将复杂的交易任务分解为多个专业角色，从而确保系统在市场分析和决策制定方面具备稳健且可扩展的能力。

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信号。
• 情绪分析师：利用情感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：监控全球新闻和宏观经济指标，解读事件对市场状况的影响。
• 技术分析师：借助 MACD、RSI 等技术指标，发现交易模式并预测价格走势。

研究员团队

• 包括看涨和看跌研究员，他们会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，平衡潜在收益与固有风险。

交易员智能体

• 根据分析师和研究员的报告做出明智的交易决策。它会基于全面的市场洞察来确定交易时机和规模。

风险管理与投资组合经理

• 持续评估投资组合的风险，包括市场波动性、流动性等风险因素。风险管理团队会评估并调整交易策略，向投资组合经理提交评估报告供最终决策。
• 投资组合经理批准或否决交易提案。若获批准，则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

使用您喜欢的环境管理工具创建虚拟环境：

conda create -n tradingagents python=3.13
conda activate tradingagents

安装软件包及其依赖项：

pip install .

Docker

或者，您也可以通过 Docker 运行：

cp .env.example .env  # 添加您的 API 密钥
docker compose run --rm tradingagents

对于本地模型并使用 Ollama：

docker compose --profile ollama run --rm tradingagents-ollama

必需的 API

TradingAgents 支持多种 LLM 提供商。请为所选提供商设置 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

对于本地模型，请在配置中将 llm_provider 设置为 "ollama"。

或者，您可以将 .env.example 复制到 .env 文件，并填写您的密钥：

cp .env.example .env

CLI 使用

启动交互式 CLI：

tradingagents          # 已安装的命令
python -m cli.main     # 或者直接从源代码运行

您将看到一个界面，可以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。

随后会显示一个界面，实时展示加载结果，让您跟踪代理的执行进度。

TradingAgents 软件包

实现细节

我们使用 LangGraph 构建了 TradingAgents，以确保其灵活性和模块化。该框架支持多种 LLM 提供商：OpenAI、Google、Anthropic、xAI、OpenRouter 和 Ollama。

Python 使用

要在您的代码中使用 TradingAgents，可以导入 tradingagents 模块并初始化一个 TradingAgentsGraph() 对象。调用 .propagate() 方法将返回一个决策。您也可以运行 main.py，以下是一个快速示例：

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)

您还可以调整默认配置，以设置您自己的 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"        # openai, google, anthropic, xai, openrouter, ollama
config["deep_think_llm"] = "gpt-5.4"     # 用于复杂推理的模型
config["quick_think_llm"] = "gpt-5.4-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

我们欢迎社区的贡献！无论是修复 bug、改进文档，还是提出新功能建议，您的参与都将帮助我们使这个项目更加完善。如果您对这一研究方向感兴趣，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}, 
}

TradingAgents 快速上手指南

TradingAgents 是一个基于多智能体（Multi-Agents）的金融交易框架，模拟真实交易公司的运作模式。它通过部署基本面分析师、情绪分析师、技术分析师、研究员、交易员及风险管理团队等专用 LLM 智能体，协同评估市场状况并生成交易决策。

环境准备

在开始之前，请确保您的系统满足以下要求：

• 操作系统：Linux, macOS 或 Windows (推荐 WSL2)
• Python 版本：3.13 (必须)
• 包管理器：推荐使用 conda 或 venv 进行环境隔离
• API Keys：需准备至少一个大模型服务商的 API Key（如 OpenAI, Google, Anthropic, xAI 等）以及金融数据源 API Key（如 Alpha Vantage）。

安装步骤

1. 克隆项目

首先从 GitHub 克隆代码库：

git clone https://github.com/TauricResearch/TradingAgents.git
cd TradingAgents

2. 创建虚拟环境

使用 conda 创建并激活 Python 3.13 环境：

conda create -n tradingagents python=3.13
conda activate tradingagents

3. 安装依赖

安装项目包及其依赖：

pip install .

提示：国内用户若遇下载缓慢，可添加清华或阿里镜像源： pip install . -i https://pypi.tuna.tsinghua.edu.cn/simple

4. 配置 API Keys

复制环境变量示例文件并填入您的密钥：

cp .env.example .env

编辑 .env 文件，填入所需的 API Key（根据您选择的模型提供商填写对应项）：

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 ALPHA_VANTAGE_API_KEY=...   # 金融数据源

注：若使用本地模型（如 Ollama），需在配置中设置 llm_provider: "ollama"。

基本使用

方式一：命令行交互模式 (CLI)

这是最简单的使用方式，启动后将通过交互式界面选择股票代码、分析日期和模型参数。

运行以下命令启动：

tradingagents

或者直接从源码运行：

python -m cli.main

启动后，跟随屏幕提示输入目标 ticker（如 NVDA）、分析日期及研究深度，系统将实时展示各智能体的分析过程和最终交易决策。

方式二：Python 代码调用

您也可以将 TradingAgents 集成到自己的 Python 项目中。

基础示例：

from tradingagents.graph.trading_graph import TradingAgentsGraph
from tradingagents.default_config import DEFAULT_CONFIG

# 初始化图对象
ta = TradingAgentsGraph(debug=True, config=DEFAULT_CONFIG.copy())

# 执行推演 (标的代码，日期)
_, decision = ta.propagate("NVDA", "2026-01-15")
print(decision)

自定义配置示例： 您可以修改配置以指定特定的 LLM 模型或辩论轮数：

from tradingagents.graph.trading_graph import TradingAgentsGraph
from tradingagents.default_config import DEFAULT_CONFIG

config = DEFAULT_CONFIG.copy()
config["llm_provider"] = "openai"        # 指定提供商
config["deep_think_llm"] = "gpt-5.4"     # 复杂推理模型
config["quick_think_llm"] = "gpt-5.4-mini" # 快速任务模型
config["max_debate_rounds"] = 2          # 最大辩论轮数

ta = TradingAgentsGraph(debug=True, config=config)
_, decision = ta.propagate("NVDA", "2026-01-15")
print(decision)

---

免责声明：本框架仅供研究用途，不构成任何金融、投资或交易建议。交易表现受模型选择、数据质量等多种因素影响。