TradingAgents智能体玩转 AI 量化研究

提供一个多智能体大语言模型框架，在金融交易／股票分析场景中模拟“真实交易机构”的角色分工（比如：基本面分析师、情绪分析师、技术分析师、交易员、风控团队等）——这一点延续了原版 TradingAgents 的核心理念。
中文增强特性（针对中文用户）：支持中文界面、本地化文档、支持 A 股／港股／美股，集成多个 LLM 供应商（可能包括中文大模型）、支持 Docker 一键部署等。
教学／研究定位：该项目明确指出其“仅用于学习与研究用途，不提供实盘交易指令”。

如果你对 AI × 金融 × 多智能体（Multi-Agent） 感兴趣，那 TradingAgents-CN 是一个值得你亲自跑起来的项目。它改写自国际开源项目 TradingAgents，并加入了大量中文增强：中文界面、对 A 股友好、支持国内外模型、部署更简单。
它不做“实盘预测”，但非常适合做 研究、策略实验、观察 LLM 在金融分析中的推理方式。

TradingAgents-CN 是什么？

一句话：

TradingAgents-CN 是一个基于多智能体的大语言模型金融研究框架，让你模拟一个“AI 投资机构”如何分析市场、生成观点、做策略判断。

项目内置多角色，像这样：

• 基本面分析师
• 技术分析师
• 新闻情绪分析师
• 策略师
• 交易执行／风控 Agent
• 总控（Manager Agent）

每个角色都是一个 LLM，彼此对话、争论，最后输出一个策略建议（用于研究，不是实盘）。

目录结构速览（5 秒了解项目）

运行前，你要先知道项目大概长什么样。

TradingAgents-CN/
├── backend/         # FastAPI 后端（核心逻辑、代理、数据处理）
├── frontend/        # Vue3 前端（可视化交互界面）
├── docs/            # 文档与配置说明
├── docker/          # Docker 部署文件
├── configs/         # 模型、自定义 agent 配置
└── examples/        # 示例策略与测试脚本

核心就是：多智能体调度 + LLM 推理 + 金融数据分析。

0. 环境准备

你需要：

• Python 3.9+
• Node 18+
• Docker（可选但最简单）
• 一个 LLM API Key（OpenAI / DeepSeek / Moonshot / Qwen / Gemini 都可）

1. 一键部署（推荐：Docker）

最不折腾的办法就是：

git clone https://github.com/hsliuping/TradingAgents-CN.git
cd TradingAgents-CN
docker compose up -d

Docker 会自动构建：

• 后端（FastAPI）
• 前端（Vue）
• Redis + MongoDB（缓存和数据储存）

启动成功后，访问：

http://localhost:8080/

你就能看到可视化界面。

2. 配置你的 LLM（关键一步）

进入项目目录，找到：

configs/model_config.yaml

填写：

default_model: "deepseek-chat"

models:
  deepseek-chat:
    provider: "openai"
    api_key: "你的API_KEY"
    base_url: "https://api.deepseek.com"
    model: "deepseek-chat"

如果你想用多个模型分别作为不同的 Agent，也可以：

fundamental_analyst: "gpt-4o"
technical_analyst: "deepseek-chat"
news_analyst: "qwen-max"

多模型组合，就是多智能体的魅力。

3. 运行一次 “AI 交易团队” 测试

后端启动后，运行自带示例：

cd backend
python run_example.py

你会看到类似：

[基本面分析师]：公司 Q3 业绩……
[技术分析师]：MACD 出现双金叉……
[新闻情绪]：市场对其事件偏向乐观……
[策略师]：综合三方分析……
[风控]：该仓位风险可控……
[最终建议]：多头/观望/减仓

这就是完整的 多 Agent 协作决策链。

4. 使用前端界面（最舒服的方式）

浏览器访问：

http://localhost:8080/

功能包括：

• 输入股票代码
• 选择分析周期
• 查看每个 Agent 的分析思路
• 下载完整分析报告
• 修改 Agent 配置（人格、风格、偏好）

前端体验类似一个“AI 投研终端”，很直观。

5. 自定义你的 AI 投研团队

你可以自定义：

✔ Agent 的数量

✔ 每个 Agent 用哪个模型

✔ 每个 Agent 的“角色设定”（性格、偏好）

✔ 对话链的顺序

✔ 策略产出的格式

例如修改：

configs/agents/fundamental_analyst.yaml

你可以让它变“特别谨慎的价值投资者”：

persona: >
  你的任务是作为一个极度谨慎的价值派分析师。
  你不相信股价短期波动，偏好稳健、现金流良好……

这就是 AI 角色工程（Agent Engineering）。

6. 做一个自己的研究项目（3 步）

比如你想研究“ChatGPT 作为技术分析师是否稳定”。

步骤：

① 写一个股票池：

examples/stocks.txt

② 写一个任务脚本：

from trading_agents import run_task

for code in ["AAPL", "TSLA", "NVDA"]:
    result = run_task(code, strategy="multi_agent")
    print(result)

③ 跑多次、记录分析过程，对比 Agent 的一致性。

你就能做一个属于自己的 LLM 金融研究报告。

TradingAgents-CN 的优势（为什么值得玩）

• 多智能体协作 而不是单模型
• 中文完善（界面、数据、文档）
• 支持国内模型（DeepSeek / Qwen / Moonshot）
• 适合教学、研究、课程项目
• 可视化结果友好

对学生、科研人员、自学者都很友好。

最小运行总结（30 秒版本）

1. git clone
2. docker compose up -d
3. 填 API Key
4. 浏览器访问 8080
5. 体验多智能体交易决策

就这么简单。

Github：https://github.com/hsliuping/TradingAgents-CN
油管：https://youtu.be/mJ_QjbGsV0A