TauricResearch/TradingAgents

TradingAgents: Multi-Agents LLM Financial Trading Framework

agentfinancellmmultiagenttrading

GAI 中文摘要

TradingAgents 是一个基于大语言模型的多智能体金融交易框架，旨在通过协作式智能体架构自动化执行复杂的量化交易策略。该项目致力于解决传统交易系统中逻辑单一、缺乏环境理解力以及难以处理复杂多变金融市场数据的问题。

支持集成 GPT、Gemini、Claude 和 Grok 等多种前沿大语言模型，提供灵活的模型选择与扩展能力。

采用多智能体协作机制，通过不同角色的智能体分工实现从策略分析、信号生成到交易执行的全流程闭环。

具备五级评价系统与精细化的性能控制接口，能够针对不同市场环境动态调整决策置信度与响应策略。

内置跨平台稳定性优化与标准化的响应接口，确保在不同交易环境及硬件基础设施下均能保持高效运行。

该框架适用于量化金融研究人员、程序化交易开发者以及对 AI 在金融领域应用感兴趣的算法工程师。它特别适合在需要深度数据挖掘、复杂策略回测以及自动化高频决策的使用场景中进行部署和应用。

⭐

43.2k

Stars

🔱

7.9k

Forks

👁

377

Watchers

📋

268

Issues

PythonApache-2.0创建于 2024/12/28更新于今天

在 GitHub 上查看访问主页

README

由 Gemini 翻译整理

TradingAgents: 基于多智能体 LLM 的金融交易框架

TradingAgents 框架

TradingAgents 是一个多智能体交易框架，旨在模拟真实交易机构的运作动态。通过部署由 LLM 驱动的专业智能体——从基本面分析师、情绪专家、技术分析师，到交易员和风险管理团队，该平台能够协作评估市场状况并提供交易决策。此外，这些智能体通过动态讨论来确定最佳策略。

TradingAgents 框架旨在用于研究目的。交易表现可能会受到多种因素的影响，包括所选的底层语言模型、模型 temperature 参数、交易周期、数据质量以及其他非确定性因素。本框架不构成任何金融、投资或交易建议。

我们的框架将复杂的交易任务分解为多个专业角色。这确保了系统在市场分析和决策制定方面能够实现稳健且可扩展的方法。

分析师团队

基本面分析师：评估公司财务状况和绩效指标，识别内在价值及潜在风险。
情绪分析师：利用情绪评分算法分析社交媒体和公众情绪，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：利用技术指标（如 MACD 和 RSI）检测交易模式并预测价格走势。

研究团队

由看涨和看跌研究员组成，他们会对分析师团队提供的见解进行批判性评估。通过结构化的辩论，在潜在收益与固有风险之间取得平衡。

交易员智能体 (Trader Agent)

汇总分析师和研究员的报告，做出明智的交易决策。它根据全面的市场洞察确定交易的时机和规模。

风险管理与投资组合经理

持续评估市场波动性、流动性及其他风险因素，从而评估投资组合风险。风险管理团队负责评估和调整交易策略，并向投资组合经理提供评估报告以供最终决策。
投资组合经理批准或拒绝交易提案。如果获得批准，订单将被发送至模拟交易所进行执行。

安装与 CLI

安装

克隆 TradingAgents 仓库：

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

在你喜欢的环境管理器中创建虚拟环境：

conda create -n tradingagents python=3.13
conda activate tradingagents

安装包及其依赖项：

pip install .

必需的 API

TradingAgents 支持多个 LLM 提供商。请为所选提供商设置 API Key：

export OPENAI_API_KEY=...          # OpenAI (GPT)
export GOOGLE_API_KEY=...          # Google (Gemini)
export ANTHROPIC_API_KEY=...       # Anthropic (Claude)
export XAI_API_KEY=...             # xAI (Grok)
export OPENROUTER_API_KEY=...      # OpenRouter
export ALPHA_VANTAGE_API_KEY=...   # Alpha Vantage

对于本地模型，请在配置文件中将 llm_provider 设置为 "ollama"。

或者，将 .env.example 复制为 .env 并填写你的 Key：

cp .env.example .env

CLI 使用

启动交互式 CLI：

tradingagents          # 安装后的命令
python -m cli.main     # 备选：直接从源码运行

你将看到一个界面，可以在其中选择所需的股票代码、分析日期、LLM 提供商、研究深度等。