TauricResearch 在 GitHub 上发布了多智能体大语言模型金融交易框架 TradingAgents。它参照真实交易公司的架构，让分析师、研究员、交易员与风控官等智能体分工参与市场研究、辩论和复盘，经过多轮交流形成最终交易决策。相关论文已发表至 arXiv，编号 2412.20138。

新闻

• [2026-08] 发布 TradingAgents v0.4.0，修复 FRED 宏观、社交情绪与决策日志记忆中的前视/时间点问题，决策信号更清晰，CLI 检查点恢复可用，Trader 价格接地，支持 GPT-5.6 与 GLM-5.3 模型。详见 CHANGELOG.md。
• [2026-07] v0.3.1：修复 Alpha Vantage 前视过滤、图路由崩溃安全等，支持 Bedrock 密钥认证与 Claude Sonnet 5 / Fable 5。
• [2026-06] v0.3.0：验证数据访问契约，扩展供应商注册（NVIDIA, Kimi, Groq, Mistral, Bedrock 等），加入 FRED 和 Polymarket 数据，新增 CI 门禁。
• [2026-05] v0.2.5：接地情绪分析师，GPT-5.5 等模型覆盖，Qwen/GLM/MiniMax 双区域支持，TRADINGAGENTS_* 环境变量配置，远程 Ollama 支持。
• [2026-04] v0.2.4：结构化输出智能体（研究经理、交易员、组合经理），LangGraph 检查点恢复，持久决策日志，DeepSeek/Qwen/GLM/Azure 支持，Docker 与 Windows UTF-8 修复。
• [2026-03] v0.2.3：多语言支持，GPT-5.4 系列，统一模型目录，回测日期保真，代理支持。v0.2.2：GPT-5.4/Gemini 3.1/Claude 4.6 覆盖，五级评级，OpenAI Responses API。
• [2026-02] v0.2.0：多供应商 LLM 支持（GPT-5.x, Gemini 3.x, Claude 4.x, Grok 4.x）与改进架构。
• [2026-01] 发布 Trading-R1 技术报告（arXiv:2509.11420），终端即将推出。

TradingAgents 框架

TradingAgents 是一个多智能体交易框架，模拟真实交易公司的动态。它部署专门的 LLM 驱动智能体，包括基本面分析师、情绪专家、技术分析师、交易员和风险管理团队，协作评估市场状况并制定交易决策。这些智能体还会进行动态讨论，以确定最优策略。

该框架专为研究目的设计。交易表现可能因所选底层语言模型、模型温度、交易周期、数据质量及其他非确定性因素而异，不作为金融、投资或交易建议。

框架将复杂交易任务分解为专门角色。

分析师团队

• 基本面分析师：评估公司财务和绩效指标，识别内在价值与潜在风险。
• 情绪分析师：聚合新闻标题、StockTwits 和 Reddit 讨论，形成综合情绪读数以衡量短期市场情绪。
• 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：利用 MACD、RSI 等技术指标检测形态并预测价格变动。

研究员团队

• 由看涨和看跌研究员组成，批判性地评估分析师团队的见解。通过结构化辩论，平衡潜在收益与固有风险。

交易员智能体

• 综合分析师和研究员的报告做出明智交易决策，确定交易时机与规模。

风险管理与组合经理

• 持续评估投资组合风险（市场波动性、流动性等），调整策略并向组合经理提供评估报告。
• 组合经理批准或拒绝交易提案。若批准，订单发送至模拟交易所执行。

安装与 CLI

安装

克隆仓库： - git clone https://github.com/TauricResearch/TradingAgents.git - cd TradingAgents

创建虚拟环境： - conda create -n tradingagents python=3.12 - conda activate tradingagents

安装包与依赖： - pip install .

Docker

或使用 Docker： - cp .env.example .env # 填入 API 密钥 - docker compose run --rm tradingagents

本地 Ollama 模型： - docker compose --profile ollama run --rm tradingagents-ollama

所需 API

支持多 LLM 供应商，设置所选供应商密钥： - export OPENAIAPIKEY=... # OpenAI (GPT) - export GOOGLEAPIKEY=... # Google (Gemini) - export ANTHROPICAPIKEY=... # Anthropic (Claude) - export XAIAPIKEY=... # xAI (Grok) - export DEEPSEEKAPIKEY=... # DeepSeek - export DASHSCOPEAPIKEY=... # Qwen 国际 - export DASHSCOPECNAPIKEY=... # Qwen 中国 - export ZHIPUAPIKEY=... # GLM 国际 - export ZHIPUCNAPIKEY=... # GLM 中国 - export MINIMAXAPIKEY=... # MiniMax 全球 - export MINIMAXCNAPIKEY=... # MiniMax 中国 - export OPENROUTERAPIKEY=... # OpenRouter - export ALPHAVANTAGEAPIKEY=... # Alpha Vantage

Azure OpenAI 需复制 .env.enterprise.example 并填凭证。AWS Bedrock 安装额外包，设 llmprovider 为 bedrock 并配置 AWS。本地 Ollama 设 llmprovider 为 ollama，默认端点 http://localhost:11434/v1。其他 OpenAI 兼容服务器用 openaicompatible 并设 backendurl。也可 cp .env.example .env 填密钥。

CLI 用法

启动交互 CLI： - tradingagents - 或 python -m cli.main

可选择标的代码、分析日期、LLM 供应商、研究深度等。

市场与代码

支持雅虎财经覆盖的任何市场，使用带交易所后缀的代码： - 美国：AAPL, SPY - 香港：0700.HK · 东京：7203.T · 伦敦：AZN.L - 印度：RELIANCE.NS, .BO · 加拿大：.TO · 澳大利亚：.AX - 中国 A 股：上海 .SS，深圳 .SZ（如 600519.SS） - 加密：BTC-USD, ETH-USD

运行时会显示结果加载界面，可跟踪智能体进度。

TradingAgents 包

实现细节

基于 LangGraph 构建以保证灵活模块化。支持 OpenAI, Google, Anthropic, xAI, DeepSeek, Qwen, GLM, MiniMax, OpenRouter, Ollama 本地, Azure OpenAI。

Python 用法

在代码中导入 tradingagents 模块，初始化 TradingAgentsGraph() 对象，调用 .propagate() 返回决策。例如：导入 TradingAgentsGraph 与 DEFAULT_CONFIG，设 debug=True 创建 ta，用 ta.propagate("NVDA", "2026-01-15") 打印决策。

可调整配置选择 LLM 和辩论轮数：设 config["llmprovider"]、config["deepthinkllm"]（如 gpt-5.6）、config["quickthinkllm"]（如 gpt-5.6-luna）、config["maxdebaterounds"]=2 等。详见 defaultconfig.py。

持久化与恢复

跨运行持久化两种状态。

决策日志

始终开启。每次完成运行追加决策到 ~/.tradingagents/memory/trading_memory.md。下次同代码运行会获取已实现收益（原始及相对 SPY 的 alpha），生成反思，并注入近期同代码决策与跨代码经验到组合经理提示中。

可用 TRADINGAGENTSMEMORYLOG_PATH 覆盖路径。

检查点恢复

通过 --checkpoint 选择启用。启用后 LangGraph 每节点存状态，崩溃或中断可从最后成功步恢复。每代码 SQLite 数据库位于 ~/.tradingagents/cache/checkpoints/.db，可用 --clear-checkpoints 重置。配置中设 checkpoint_enabled=True 亦可。

可复现性

LLM 驱动，同代码同日期两次运行可能不同，此为预期而非缺陷。差异来源：语言模型采样非确定性（即使固定温度，推理模型变化最大）；实时数据变动（新闻、社交源随时间变）。降低采样温度可减少变化，但当前策展推理模型大多忽略温度，需显式设非推理模型。公司已从代码确定性解析，市场分析师基于验证数据快照接地价格，解决了早期“不同公司”或捏造价格问题。回测结果不保证匹配任何已发布数字，应视作研究脚手架。

贡献

欢迎错误修复、文档与功能想法，各版本致谢见 CHANGELOG.md。

引用

请引用 Xiao Y., Sun E., Luo D., Wang W. (2025) 的论文 TradingAgents: Multi-Agents LLM Financial Trading Framework，arXiv:2412.20138。

整个帖子的气氛以嘲讽和怀疑为主：多数人认为「多智能体炒股框架」是新一轮用 LLM 烧钱的自嗨，少数人指出 LLM 更值得做的其实是税务收割、资金部署这类确定性高的财务执行任务，而不是预测市场。真正有信息量的批评来自有交易行业背景的人和认真读过代码的评论者。

多智能体分工是伪需求，一个 Agent 配上好工具可能更强

• 有评论者质疑，把任务拆给多个模型到底增加了什么能力：如果控制逻辑足够好，单一 Agent 配上完整工具链，也许比任何多智能体环境都更干净、更可控。（认可度：少数人）
• 交易从业者也指出，AI 共享同一套模型底座，不像人类那样受知识带宽限制，硬把它们拆成「专家角色」反而是画地为牢。 > AI 用的都是同一个大脑，为什么非要靠专业化把自己的手脚绑住？（@hacker_9）

用 Reddit 情绪和技术指标当信号，是外行在猜滞后数据

• 有对冲基金背景的人明确表示，职业交易里并没有「浏览 Reddit 做情绪分析」和「用技术指标下单」这类流程；它们本质上是滞后指标，更贴近市场真实定价的是期权隐含波动率和权利金结构。市场维护是「提出理论、用真实数据验证」的科学过程，不是让模型看别人在聊什么。（认可度：少数人）

不做回测、不上实盘，就只是自我感动

• 相当多评论者的第一反应是找「业绩」栏或回测页面；一个投资框架连可复现的绩效证据都没有，就没有被认真讨论的资格。严肃交易者至少会在真实数据和合成数据上都做大量回测。（认可度：较多人）
• 还有人注意到这个仓库目前只输出投资决定，缺少与真实经纪商的交互，也没有把滑点、手续费、部分成交这些执行层问题纳入设计，离「能交易」还很远。（认可度：少数人） > 看到一个投资框架，我的第一反应就是去找「业绩」章节，或者至少一个回测（@jatins）

真能赚钱的策略不会被开源

• 反复出现的潜台词是：真正有效的 alpha 会被留在自营交易台，而不是被公开放在 GitHub 上任人下载；开源本身就消解了信息优势，更像技术演示，而不是赚钱机器。（认可度：较多人）
• 也有人提醒，用「预测股价」当练习题几乎是软件工程师进入机器学习领域的经典成年礼，如今用 LLM 重做一遍，只是换了新皮肤。 > 拿 token 老虎机去打金融老虎机，能出什么事呢？（@cbg0）

代码审计不过关，离真实资金还很远

• 一位花了一个小时读代码的评论者列出了具体硬伤：同一个新闻源被两处分析重复加权；情绪分析的提示词预先注入了对某只明星股的看多偏向；自学习循环存在解析 bug，会生成根本不存在的「记忆」；Reddit 子版块的情绪只需靠五条最新帖子就能被低成本操纵；反思环节还要求模型「必须引用 alpha」，导致大盘下跌时正确判断会被记成亏损。这些质量问题说明底层工程撑不起它的野心。（认可度：少数人）

不用预测涨跌，LLM 当财务执行管家反而有效

• 一条反直觉的声音：把税务损失收割、直接指数化、按优先级自动投入新资金这些规则性流程交给 LLM，它能稳定帮你省钱并保持纪律，实际体验比传统理财规划师更好；这和「预测市场」是完全不同的定位，也才是更现实的落地方式。（认可度：少数人） > 虽然不花哨，但税务损失收割和直接指数化才是 LLM 能可靠帮你省下费用的领域（@mshafir）

有价值的补充

• 这类框架的活跃程度可能跟随市场周期起伏：牛市里新手容易以为掌握了交易优势，实际上大家可能只是在一致买入趋势。（@alastairr）
• 如果模型不每天重新训练或校准数据，它的知识就会不断落后于市场变化，本质上是拿静态模型去预测动态博弈。（@jeanmichelselli）
• 有人选择不直接拿真钱冒险，而是先让 agent 在自己写的模拟炒股游戏里和真人同场竞技，算是低成本的人机交叉验证；顺带一提，他妹妹靠 AI 选股建议暂时跑赢了标普 500。（@chasd00）