📈 TradingAgents：75k Stars 的多智能体交易框架，复制一个投行交易团队只需一行命令

📈 TradingAgents：75k Stars 的多智能体交易框架，复制一个投行交易团队只需一行命令

项目地址：https://github.com/TauricResearch/TradingAgents | ⭐ 75.4k Stars | 🐍 Python | 🏢 Tauric Research

老实说，搞量化交易的个人开发者面临的最大问题不是策略——而是你一个人干不过一个团队。CTA、基本面分析、情绪面监控、技术面信号，这些活儿一个人根本盯不过来。市面上也不是没有交易框架，但大多是单 Agent 调 API 的玩具，真正模拟投行交易决策链的产品，几乎没有。

TradingAgents 就是冲这个来的。它是 Tauric Research 开源的多智能体金融交易框架，用多个 LLM Agent 模拟真实交易公司的团队架构——基本面分析师、情绪分析师、新闻分析师、技术分析师、研究员、交易员、风控、投资组合经理，各司其职还互相辩论。

架构：一个虚拟投行团队

TradingAgents 的核心理念直接把交易公司的组织架构搬进了代码：

说白了，别的框架给你的是"一个 AI 交易员"，TradingAgents 给你的是"一个 AI 投行交易部"。

安装与配置

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

或者用 Docker（更省心）：

cp .env.example .env  # 填好你的 API keys
docker compose run --rm tradingagents

环境变量配好 LLM 提供商——支持的模型列表长得离谱：OpenAI、Google Gemini、Anthropic Claude、xAI Grok、DeepSeek、Qwen、GLM（智谱）、MiniMax、OpenRouter、Ollama 本地模型，还有 Azure OpenAI 企业版。

export OPENAI_API_KEY=***          # 至少配一个
export ALPHA_VANTAGE_API_KEY=***   # 行情数据

一行命令启动

装完直接在终端跑：

tradingagents

会进交互界面，选股票代码、分析日期、LLM 提供商、研究深度等参数，Agent 们就开始干活了。你能实时看到每个 Agent 的分析进度。

在 Python 代码里用也一样直接：

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

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

最骚的是它自带持久化记忆系统。每次交易的决策（含收益率）会写入 ~/.tradingagents/memory/trading_memory.md，下次分析同一股票时会自动回顾历史表现并生成反思——这不就是交易员的复盘习惯吗？

踩坑提醒

几个要注意的点：

2. LLM 质量直接影响决策——用 GPT-5.4 和用本地 Qwen 2.5 7B 的结果差距很大，论文里用的是最强的模型

3. 不是投资建议——这玩意是研究工具，别真拿它全自动实盘

总结

想搞量化交易研究或者想看看 LLM Agent 在金融场景能折腾出什么花的，这玩意儿值得花一个下午折腾。

📌 标签：#AI #Trading #MultiAgent #LLM #Quant #OpenSource