TradingAgents：多 Agent LLM 金融交易框架

新闻动态

• [2026-06] TradingAgents v0.3.0 正式发布，新增经过验证的数据访问合约、扩展的提供商注册表（NVIDIA、Kimi、Groq、Mistral、Bedrock 及任意 OpenAI 兼容端点）、FRED 与 Polymarket 数据源、新一代模型目录，以及 CI 门控。完整变更列表请参阅 CHANGELOG.md。

• [2026-05] TradingAgents v0.2.5 正式发布，新增经过核实的情绪分析师（Sentiment Analyst）、GPT-5.5 等模型支持、Qwen/GLM/MiniMax 双区域支持、通过 TRADINGAGENTS_* 环境变量进行配置并自动检测 API Key、远程 Ollama 支持、非美股 alpha 基准测试，以及 ticker 路径穿越漏洞加固。

• [2026-04] TradingAgents v0.2.4 正式发布，新增结构化输出 Agent（Research Manager、Trader、Portfolio Manager）、LangGraph 检查点恢复、持久化决策日志、DeepSeek/Qwen/GLM/Azure 提供商支持、Docker 支持，以及 Windows UTF-8 编码修复。

• [2026-03] TradingAgents v0.2.3 正式发布，新增多语言支持、GPT-5.4 系列模型、统一模型目录、回测日期保真度修复，以及代理（proxy）支持。

• [2026-03] TradingAgents v0.2.2 正式发布，新增 GPT-5.4/Gemini 3.1/Claude 4.6 模型覆盖、五级评分体系、OpenAI Responses API、Anthropic effort 控制，以及跨平台稳定性优化。

• [2026-02] TradingAgents v0.2.0 正式发布，新增多提供商 LLM 支持（GPT-5.x、Gemini 3.x、Claude 4.x、Grok 4.x）及改进的系统架构。

• [2026-01] Trading-R1 技术报告发布，Terminal 预计即将上线。

🎉 TradingAgents 正式发布！我们收到了大量关于此项目的咨询，对社区的热情深表感谢。因此，我们决定将该框架完全开源。期待与大家共同打造有影响力的项目！

🚀 TradingAgents | ⚡ 安装与 CLI | 🎬 演示 | 📦 包使用说明 | 🤝 参与贡献 | 📄 引用

TradingAgents 框架

TradingAgents 是一个多 Agent 交易框架，模拟真实交易公司的运作模式。通过部署专业化的 LLM 驱动 Agent——包括基本面分析师、情绪专家、技术分析师、交易员以及风险管理团队——该平台以协作方式评估市场状况并辅助交易决策。此外，这些 Agent 还会开展动态讨论，以找出最优策略。

TradingAgents 框架仅供研究目的使用。交易表现可能因多种因素而存在差异，包括所选的骨干语言模型、模型温度参数、交易周期、数据质量及其他非确定性因素。本框架不构成任何财务、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。

分析师团队

• 基本面分析师：评估公司财务状况与业绩指标，识别内在价值及潜在风险信号。

• 情绪分析师：汇总新闻标题、StockTwits 及 Reddit 讨论，形成单一情绪读数，以衡量短期市场情绪。

• 新闻分析师：监控全球新闻与宏观经济指标，解读各类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）识别交易模式并预测价格走势。

研究员团队

• 由看多研究员和看空研究员组成，对分析师团队提供的洞察进行批判性评估。通过结构化辩论，在潜在收益与固有风险之间寻求平衡。

交易员 Agent

• 综合分析师和研究员的报告，做出经过充分论证的交易决策，确定交易的时机与规模。

风险管理与投资组合经理

• 通过评估市场波动性、流动性及其他风险因素，持续评估投资组合风险。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参考。

• 投资组合经理负责审批或拒绝交易提案。若获批准，订单将发送至模拟交易所并执行。

安装与 CLI

安装

克隆 TradingAgents：

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

在您常用的环境管理器中创建虚拟环境：

conda create -n tradingagents python=3.12 conda activate tradingagents

安装软件包及其依赖项：

pip install .

Docker

或者，使用 Docker 运行：

cp .env.example .env # add your API keys docker compose run --rm tradingagents

若要使用 Ollama 运行本地模型：

docker compose --profile ollama run --rm tradingagents-ollama

必需的 API

TradingAgents 支持多个 LLM 提供商。请为您选择的提供商设置 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 DEEPSEEK_API_KEY=... # DeepSeek export DASHSCOPE_API_KEY=... # Qwen — International (dashscope-intl.aliyuncs.com) export DASHSCOPE_CN_API_KEY=... # Qwen — China (dashscope.aliyuncs.com) export ZHIPU_API_KEY=... # GLM via Z.AI (international) export ZHIPU_CN_API_KEY=... # GLM via BigModel (China, open.bigmodel.cn) export MINIMAX_API_KEY=... # MiniMax — Global (api.minimax.io) export MINIMAX_CN_API_KEY=... # MiniMax — China (api.minimaxi.com) export OPENROUTER_API_KEY=... # OpenRouter export ALPHA_VANTAGE_API_KEY=... # Alpha Vantage

对于 Azure OpenAI，请将 .env.enterprise.example 复制为 .env.enterprise 并填入您的凭据。

对于 AWS Bedrock，请通过 pip install ".[bedrock]" 安装额外依赖，设置 llm_provider: "bedrock"，配置 AWS 凭据（环境变量、~/.aws/credentials 或 IAM 角色），并设置 AWS_DEFAULT_REGION，同时使用 Bedrock 模型 ID，例如 us.anthropic.claude-opus-4-8-v1:0。

对于本地模型，请使用 llm_provider: "ollama" 配置 Ollama。默认端点为 http://localhost:11434/v1；设置 OLLAMA_BASE_URL 以指向远程 ollama-serve。通过 ollama pull 拉取模型，并在 CLI 中选择"自定义模型 ID"以使用默认列表之外的任意模型。

对于其他任意 OpenAI 兼容服务器（vLLM、LM Studio、llama.cpp 或自定义中继），请使用 llm_provider: "openai_compatible" 并通过 backend_url（或 TRADINGAGENTS_LLM_BACKEND_URL）设置端点，例如 vLLM 使用 http://localhost:8000/v1，LM Studio 使用 http://localhost:1234/v1。模型名称即您服务器所提供的模型。本地服务器无需 Key；若端点需要认证，请设置 OPENAI_COMPATIBLE_API_KEY。

或者，将 .env.example 复制为 .env 并填入您的 Key：

cp .env.example .env

CLI 使用方法

启动交互式 CLI：

tradingagents # installed command python -m cli.main # alternative: run directly from source

您将看到一个界面，可在其中选择所需的 ticker、分析日期、LLM 提供商、研究深度等参数。

市场与 ticker

TradingAgents 支持 Yahoo Finance 所覆盖的任意市场，使用带交易所后缀的 ticker。公司身份信息和 alpha 基准将根据市场自动解析。

• 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（例如贵州茅台使用 600519.SS）

• 加密货币：BTC-USD、ETH-USD

界面会在结果加载时实时展示，让您可以追踪 Agent 的运行进度。

TradingAgents 包

实现细节

我们使用 LangGraph 构建了 TradingAgents，以确保其灵活性与模块化。该框架支持多个 LLM 提供商：OpenAI、Google、Anthropic、xAI、DeepSeek、Qwen（阿里云 DashScope，国际版与中国区端点）、GLM（智谱）、MiniMax（全球版与中国区）、OpenRouter、用于本地模型的 Ollama，以及面向企业的 Azure OpenAI。

Python 使用方法

若要在代码中使用 TradingAgents，可导入 tradingagents 模块并初始化一个 TradingAgentsGraph() 对象。.propagate() 函数将返回一个决策结果。您可以运行 main.py，以下是一个快速示例：

from tradingagents . graph . trading_graph import TradingAgentsGraph from tradingagents . default_config import DEFAULT_CONFIG ta = TradingAgentsGraph ( debug = True , config = DEFAULT_CONFIG . copy ()) # forward propagate _ , decision = ta . propagate ( "NVDA" , "2026-01-15" ) print ( decision )

您还可以调整默认配置，自行设置 LLM 选择、辩论轮次等参数。

from tradingagents . graph . trading_graph import TradingAgentsGraph from tradingagents . default_config import DEFAULT_CONFIG config = DEFAULT_CONFIG . copy () config [ "llm_provider" ] = "openai" # e.g. openai, google, anthropic, deepseek, groq, ollama; openai_compatible covers any OpenAI-compatible endpoint (vLLM, LM Studio, llama.cpp, ...) config [ "deep_think_llm" ] = "gpt-5.5" # Model for complex reasoning config [ "quick_think_llm" ] = "gpt-5.4-mini" # Model for quick tasks config [ "max_debate_rounds" ] = 2 ta = TradingAgentsGraph ( debug = True , config = config ) _ , decision = ta . propagate ( "NVDA" , "2026-01-15" ) print ( decision )

所有配置选项请参见 tradingagents/default_config.py。

持久化与恢复

TradingAgents 在多次运行之间持久化两类状态。

决策日志

决策日志始终处于开启状态。每次完成运行后，其决策结果将被追加至 ~/.tradingagents/memory/trading_memory.md。在下次针对同一 ticker 运行时，TradingAgents 会获取已实现的收益率（原始收益及相对 SPY 的 alpha），生成一段反思内容，并将最近的同 ticker 决策记录及近期跨 ticker 经验教训注入投资组合经理的提示词中，从而使每次分析都能延续过往的成功经验与失败教训。

可通过 TRADINGAGENTS_MEMORY_LOG_PATH 覆盖默认路径。

检查点恢复

检查点恢复功能通过 --checkpoint 选择性开启。启用后，LangGraph 会在每个节点执行后保存状态，使崩溃或中断的运行能够从最后一个成功步骤处恢复，而无需从头开始。恢复运行时，日志中会显示 Resuming from step N for on ；全新运行时则会显示 Starting fresh。检查点在运行成功完成后会自动清除。

各 ticker 对应的 SQLite 数据库存储于 ~/.tradingagents/cache/checkpoints/ .db（可通过 TRADINGAGENTS_CACHE_DIR 覆盖基础路径）。使用 --clear-checkpoints 可在运行前重置所有检查点。

tradingagents analyze --checkpoint # enable for this run tradingagents analyze --clear-checkpoints # reset before running

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

可复现性

TradingAgents 由 LLM 驱动，因此针对相同 ticker 和日期的两次运行结果可能存在差异。对于基于语言模型构建的研究工具而言，这是预期行为，而非缺陷。差异来源于几个不同方面，对其加以区分有助于理解。

语言模型的采样本身是非确定性的。即使在固定温度下，提供商也无法保证每次调用的输出完全一致，而推理模型（默认的 GPT-5.x 系列以及任何启用思维模式的模型）的差异最为显著，因为其内部推理过程本身也是被采样的。

实时数据在持续变化。新闻、StockTwits 和 Reddit 的内容随时间推移而更新，因此即使针对同一历史交易日期，今天运行与上周运行所获取的输入也会有所不同。固定分析日期可以锁定价格和指标窗口，但社交媒体和新闻来源仍会反映"当前"内容。

若要降低结果差异，可以调低采样温度。在配置中设置 temperature（或在 .env 中设置 TRADINGAGENTS_TEMPERATURE）；较低的温度值会使支持该参数的模型产生更稳定的输出。当前精选的模型以推理优先为主，大多会忽略温度设置，因此若要获得更强的可复现性，建议使用非推理模型，可通过"自定义模型 ID"选项显式指定。

config = DEFAULT_CONFIG . copy () config [ "llm_provider" ] = "openai" config [ "temperature" ] = 0.0 # Reasoning models ignore temperature. For tighter reproducibility, set a # non-reasoning deep/quick model explicitly (e.g. via the Custom model ID option).

不再产生差异的部分：被分析公司的身份信息在任何 Agent 运行之前即已通过 ticker 确定性地解析，市场分析师也会将确切的价格和指标声明锚定于经过验证的数据快照中。早期版本中出现的"不同公司"或跨次运行捏造价格水平的问题，均已通过这两项机制得到解决。

回测结果不保证与任何已发布的数据相符。收益取决于所使用的模型、temperature 参数、日期范围、数据质量以及上述采样方式。请将本框架视为研究多智能体分析的实验脚手架，而非具有固定、可复现收益的交易策略。

Contributing

欢迎贡献代码：包括 bug 修复、文档完善和功能建议；历次贡献者均会在 CHANGELOG.md 中按版本注明致谢。

Citation

如果您发现 TradingAgents 对您有所帮助，请引用我们的工作 :)

@misc{xiao2025tradingagentsmultiagentsllmfinancial, title={TradingAgents: Multi-Agents LLM Financial Trading Framework}, author={Yijia Xiao and Edward Sun and Di Luo and Wei Wang}, year={2025}, eprint={2412.20138}, archivePrefix={arXiv}, primaryClass={q-fin.TR}, url={https://arxiv.org/abs/2412.20138}, }