返回博客列表

TradingAgents 中文版：当 AI 组建了一支专业投研团队

产品介绍 · TradingAgents Team
多智能体 AI金融分析 LangGraph 量化交易 TradingAgents

TL;DR — TradingAgents 是什么？ TradingAgents 是由加州大学洛杉矶分校（UCLA）和麻省理工学院（MIT）研究团队提出的多智能体 LLM 金融交易框架（论文：arXiv:2412.20138）。它用大语言模型驱动多个 AI 智能体，模拟专业投研团队的完整工作流。根据论文回测数据，在 AAPL、GOOGL、AMZN 三只股票上实现了 8.21、6.39、5.60 的夏普比率，最大回撤控制在 0.91%–2.11%，显著优于传统 MACD、RSI 等策略。中文版（TradingAgents-CN）在此基础上增加了 A 股/港股数据源和国产大模型支持。

一个有趣的问题

如果你能拥有一支 24 小时不休息的投研团队——有人盯基本面，有人看技术指标，有人追踪新闻，有人分析市场情绪，还有人专门唱反调帮你找风险——你会不会想试试？

TradingAgents 中文版（TradingAgents-CN）就是这样一个项目。它用大语言模型（LLM）驱动多个 AI 智能体，模拟一家专业交易公司的完整投研流程，为你提供 A 股、港股、美股的全方位分析。根据 Xiao 等人在 2024 年发表的研究论文（arXiv:2412.20138），这种多智能体协作方式在回测中显著优于单一模型和传统量化策略。

注意：本项目仅供研究与教育用途，不构成任何投资建议。

它是怎么工作的？

TradingAgents 的核心思路很直接：把一个复杂的投资决策，拆解给一群各有专长的 AI 角色去协作完成。

整个系统基于 LangGraph 构建，包含以下角色：

TradingAgents 三层架构系统流程图：第一层四位分析师并行工作，第二层多空辩论，第三层交易决策与风控

第一层：四位分析师并行工作

  • 基本面分析师：分析营收、利润、EPS、PE、ROE、债务比率等财务指标，判断公司价值
  • 技术分析师：计算 MACD、RSI、KDJ、布林带等技术指标，识别趋势信号
  • 新闻分析师：从 Google News 等渠道抓取宏观经济和行业新闻，评估影响
  • 情绪分析师：量化 Reddit、Twitter 等社交平台的讨论热度和情感倾向

四位分析师同时启动、各司其职，输出结构化的分析报告。

四位分析师并行工作流程图：基本面、技术、新闻、情绪分析师同时工作

第二层：多空辩论

这是系统最有意思的设计。分析师的报告会交给两位研究员：

  • 看多研究员（Bull）：从数据中挖掘积极信号和增长潜力
  • 看空研究员（Bear）：专注于风险点和负面信号

两位研究员会进行多轮辩论，互相挑战对方的观点。这种机制有效避免了单一视角的偏见——毕竟，只听好消息做决策是危险的。

多空辩论机制可视化：看多研究员与看空研究员进行多轮观点交锋

第三层：交易决策与风控

  • 交易员：综合辩论结果，起草交易计划
  • 风险管理员：根据市场波动率和预设风险偏好（保守/中性/激进），审核并修正交易计划
  • 基金经理：最终审批并执行

每一步的推理过程都是透明的，你可以看到每个智能体是如何思考、如何得出结论的。

决策与风控三步流程：交易员起草计划、风险管理员审核、基金经理最终审批

为什么做中文版？

原版 TradingAgents 由 UCLA 和 MIT 的研究团队发布（论文：arXiv:2412.20138，作者：Yijia Xiao, Edward Sun, Di Luo, Wei Wang），主要面向美股市场。中文版在此基础上做了关键的本地化：

  • A 股和港股数据支持：接入 Tushare、AkShare、BaoStock、通达信等国内数据源
  • 多模型适配：除了 OpenAI 和 Google Gemini，还支持阿里百炼（通义千问）、DeepSeek 等国产大模型
  • 中文界面与报告：全中文交互体验，研报输出也是中文

多市场覆盖与数据源：A股、港股、美股三大市场及对应数据源

核心能力一览

多市场覆盖 A 股、港股、美股三大市场，数据源包括 Tushare、AkShare、FinnHub、Yahoo Finance 等。

5 级研究深度 从 2 分钟的快速速览到 25 分钟的深度全维分析，按需选择分析粒度。

实时进度追踪 基于 SSE（Server-Sent Events）技术，实时推送每一个分析步骤。拒绝黑盒等待，你可以看到 AI 正在做什么。

专业研报导出 一键导出 Markdown、Word 或 PDF 格式的完整研报，包含完整推理链条和风险提示。

批量分析与智能筛选 支持多只股票同时分析，多维指标筛选与排序。

模拟交易与回测 在虚拟环境中验证策略，用历史数据测试有效性。

Docker 一键部署 支持 Docker 部署，快速搭建私有化金融分析平台。

实验数据说话

根据论文中的回测实验（2024 年 6 月至 11 月，数据来源：arXiv:2412.20138 Table 1），TradingAgents 在 AAPL、GOOGL、AMZN 三只股票上的表现：

指标AAPLGOOGLAMZN
累积收益率26.62%24.36%23.21%
年化收益率30.50%27.58%24.90%
夏普比率8.216.395.60
最大回撤0.91%1.69%2.11%

相比传统的 MACD、KDJ、RSI、SMA 等策略，TradingAgents 在累积收益、夏普比率和最大回撤三个维度上均有显著提升。

TradingAgents 与传统策略性能对比：累积收益率、夏普比率、最大回撤三维度对比

技术架构

  • 智能体编排：LangGraph（构建复杂的多智能体工作流）
  • 大语言模型：支持 OpenAI、Google Gemini、阿里通义千问、DeepSeek，可动态切换
  • 数据层：Tushare、AkShare、BaoStock、FinnHub、Yahoo Finance、Google News、Reddit、Twitter
  • 通信协议：结构化报告 + 自然语言辩论，兼顾效率与深度推理
  • 部署方式：Docker 容器化，无需 GPU

和传统量化工具有什么不同？

传统量化策略单一 LLM 分析TradingAgents
数据维度主要是结构化数据可处理非结构化数据结构化 + 非结构化，多源融合
决策过程规则驱动，固定逻辑单一模型输出多角色协作 + 辩论机制
可解释性低（黑盒模型）中等高（完整推理链条）
风险控制依赖预设规则无内置风控多层级风控智能体
适应性需要人工调参有一定泛化能力动态适应市场变化

谁适合用？

  • 金融科技研究者：探索多智能体系统在金融领域的应用
  • 量化交易学习者：理解专业投研流程和多维分析方法
  • AI 技术爱好者：学习 LangGraph 多智能体编排和 LLM 应用实践
  • 独立投资者：获取多维度的分析参考（再次强调：仅供参考，不构成投资建议）

常见问题

TradingAgents 可以直接用来炒股吗？ 不可以。TradingAgents 仅供研究与教育用途，系统生成的分析报告不构成任何投资建议。金融市场存在风险，投资需谨慎。

中文版和原版有什么区别？ 中文版在原版基础上增加了 A 股/港股数据源（Tushare、AkShare、BaoStock）、国产大模型支持（阿里百炼、DeepSeek）以及全中文交互界面。

需要 GPU 才能运行吗？ 不需要。TradingAgents 通过 API 调用大语言模型，本地部署只需 Docker 环境，无需 GPU。

开始使用

项目已开源，支持 Docker 一键部署：

参考文献

  • Xiao, Y., Sun, E., Luo, D., & Wang, W. (2024). TradingAgents: Multi-Agents LLM Financial Trading Framework. arXiv:2412.20138. https://arxiv.org/abs/2412.20138