> 一个让 AI 模拟华尔街投行的开源框架，基本面分析师、情绪专家、技术分析、多空辩论……全都有。
—
你有没有想过，AI 能不能像投资团队一样做决策？
不是那种「输入数据 → 输出买/卖」的黑盒，而是真正像一家交易公司那样运作：
- 基本面分析师盯财报
- 新闻团队解读宏观
- 技术派看 K 线
- 多空研究员激烈辩论
- 风控团队把关风险
- 最后由投资经理拍板
听起来像华尔街投行的早会？没错，TradingAgents 就是干这事的。
—
TradingAgents 是什么？
[TradingAgents](
https://github.com/TauricResearch/TradingAgents) 是一个多智能体交易框架，由 Tauric Research 团队开源。它的核心理念是：
把复杂交易任务拆解成多个专业角色，让 AI 智能体各司其职、协同决策。
这和传统量化策略完全不同。传统方法一般是设计一套规则或模型，然后机械执行。而 TradingAgents 模拟的是真实交易团队的决策流程——有争论、有博弈、有风险考量。
论文已发表在 arXiv：[TradingAgents: Multi-Agents LLM Financial Trading Framework](
https://arxiv.org/abs/2412.20138)
—
架构解析：AI 版「华尔街」
TradingAgents 的架构设计相当有意思，完全复刻了真实交易公司的角色分工：
分析师团队（Analyst Team）
四个专业分析师各管一块：
| 角色 | 职责 |
|——|——|
| 基本面分析师 | 挖财报、看估值、找财务雷区 |
| 情绪分析师 | 监控社交媒体、抓市场情绪 |
| 新闻分析师 | 解读宏观事件、政策影响 |
| 技术分析师 | MACD、RSI、K 线形态 |
⚔️ 研究员团队（Research Team）
这是最精彩的部分——多空辩论：
- 多头研究员：找利好、挖掘上涨逻辑
- 空头研究员：找风险、提出质疑
两边 PK，通过结构化辩论来平衡收益与风险。这不就是投行内部的研究会议吗？
交易与风控
- 交易员：综合各方报告，决定交易时机和规模
- 风险管理团队：评估波动率、流动性等风险因子
- 投资组合经理：最终审批，决定是否执行
整个流程就像一个微缩版的投资公司，只不过「员工」全是 LLM 智能体。
—
技术亮点
多模型支持
TradingAgents 支持多种 LLM 提供商，你可以让不同的智能体使用不同模型——列如让 Claude 负责深度分析，GPT 负责快速任务。
基于 LangGraph 构建
框架用 LangGraph 来编排智能体之间的协作流程，支持灵活的状态管理和工作流定义。
可配置的研究深度
你可以调整辩论轮数、模型选择、分析深度等参数，适应不同的研究需求。
—
快速上手
安装
git clone https://github.com/TauricResearch/TradingAgents.git
cd TradingAgents
conda create -n tradingagents python=3.13
conda activate tradingagents
pip install .
配置 API Key
export OPENAI_API_KEY=... # OpenAI
export GOOGLE_API_KEY=... # Google Gemini
export ANTHROPIC_API_KEY=... # Claude
启动 CLI
tradingagents
你会看到一个交互界面，可以选择股票代码、分析日期、LLM 提供商、研究深度等参数。
代码调用
如果你想在自己的项目中使用：
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)
—
写在最后
TradingAgents 代表了一个有趣的方向：用 LLM 智能体模拟人类决策流程。
传统的量化策略追求「确定性」，尝试用数学模型捕捉市场规律。而 TradingAgents 承认市场的复杂性，转而模拟人类团队的决策方式——多视角、有辩论、有制衡。
这能否真正跑赢市场？还需要更多实盘验证。但作为一种研究框架，它提供了一个全新的思路：也许交易不是一个人的战斗，而是一群「专家」的协作。
项目已在 GitHub 开源，感兴趣可以去看看：
GitHub: https://github.com/TauricResearch/TradingAgents
论文:
https://arxiv.org/abs/2412.20138
—
> ⚠️ 免责声明：该框架仅用于研究目的，不构成任何投资提议。交易表现受多种因素影响，包括模型选择、参数设置、数据质量等。
© 版权声明
文章版权归作者所有，未经允许请勿转载。
相关文章
暂无评论...
