什么值得买App下载 App ›
连续签到专享现金活动

TradingAgents:多智能体驱动的LLM金融交易框架

随着人工智能迈向智能体时代,金融领域的交易分析与决策模式正经历智能化变革。在此背景下,一款名为 TradingAgents 的多智能体 LLM 框架应运而生。该框架旨在模拟真实交易公司的运作逻辑,通过部署多种专业化智能体协同工作,打破单一分析模式的局限。它将复杂的交易任务分解为多个专项角色,为金融研究人员和相关从业者提供了一个高效、灵活的工具支持,以实现更全面的市场分析和更科学的决策支持。
01项目概况与核心机制
TradingAgents 由 Tauric Research 团队开发并开源,目前已在 GitHub 获得 25k 星标。该框架定位为多智能体金融交易框架,核心在于利用 LLM 驱动各类专业化智能体,协同完成市场分析与交易决策。其核心架构复刻了现实中的交易公司,构建了涵盖分析师、研究员、交易员、风险管理及投资组合经理的完整智能体体系,形成了从数据感知、分析辩论到最终决策的完整闭环。
智能体角色主要职责
分析师团队负责多维度市场数据的收集与分析
研究员团队通过正反方辩论平衡收益与风险
交易员智能体整合信息并制定具体的交易策略
风险管理团队把控整体风险并优化策略配置
该框架基于 LangGraph 构建,具备高度的灵活性和模块化特性,支持自定义配置模型、数据来源等参数。其主要应用场景聚焦于金融研究,适合科研人员探索 LLM 在交易中的应用,也可供从业者进行策略验证。需要注意的是,该框架仅用于研究目的,不构成任何投资建议。
02环境准备与部署
  1. 环境依赖准备
    需提前安装 Python 3.13 版本及 conda 环境管理工具,用于创建独立的虚拟环境以避免依赖冲突。
  2. API 密钥获取
    准备 OpenAI API 密钥(用于所有智能体运行)和 Alpha Vantage API 密钥(用于获取基本面和新闻数据),Alpha Vantage 可免费获取且享有较高的调用速率限制。
  3. 项目安装
    克隆项目仓库后,在根目录创建并激活虚拟环境,随后执行命令安装项目所需依赖库。
完成依赖安装后,需进行 API 密钥配置。推荐通过创建 .env 文件的方式长期保存密钥,将 OpenAI 和 Alpha Vantage API 密钥填入对应位置。若需更换数据来源,可修改 tradingagents/default_config.py 文件中的数据供应商设置,支持 OpenAI、yfinance 等多种选项。
03使用方式与注意事项

框架两种使用模式对比

CLI交互使用
  • 无需编写代码,适合快速体验

  • 通过命令行界面输入股票代码、日期、模型等参数

  • 实时展示各智能体运行状态及最终分析报告

Python代码调用
  • 适合集成到自有项目中,灵活性更高

  • 通过导入模块初始化框架并执行分析

  • 支持自定义配置模型、辩论轮次及数据供应商

在使用过程中,建议在实验阶段使用 o4-mini 和 gpt-4.1-mini 模型以有效降低 API 调用成本。若用于生产环境,建议升级 Alpha Vantage Premium 以获得更稳定的数据访问服务。此外,框架还支持本地数据集(Tauric TradingDB)进行离线实验,该数据集目前仍在开发中。

评论

评论区空态插画

当前文章无评论,是时候发表评论了