分类： 开源项目

📋 项目简介

TradingAgents 是一个多智能体LLM金融交易框架，模拟真实交易公司的运作方式——部署基本面分析师、情绪分析师、技术分析师、交易员和风控团队等多个专业AI智能体，通过协作讨论来评估市场状况并做出交易决策。

项目目前在GitHub上已获得 73,887 ⭐，本周新增 7,259 颗星，热度持续攀升中！🔥

🛠️ 安装要求和过程

环境要求

• Python 3.10+
• 至少一个LLM API密钥（OpenAI / Google / Anthropic / DeepSeek / Ollama等均可）
• Alpha Vantage API密钥（用于获取市场数据，免费注册即可）

快速安装

# 克隆仓库
git clone https://github.com/TauricResearch/TradingAgents.git
cd TradingAgents

# 创建虚拟环境
conda create -n tradingagents python=3.13
conda activate tradingagents

# 安装依赖
pip install .

# 设置API密钥
export OPENAI_API_KEY=your_key_here
export ALPHA_VANTAGE_API_KEY=your_key_here

# 启动交互式CLI
tradingagents

🐳 Docker用户：

cp .env.example .env  # 填入你的API密钥
docker compose run --rm tradingagents

如果想用本地模型（Ollama），还可以：

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

⚡ 核心功能

1. 🧠 多智能体协作架构：模拟真实交易公司的团队分工，包括基本面分析师、情绪分析师、新闻分析师、技术分析师、看涨/看跌研究员、交易员、风控团队和投资组合经理，共8大角色协同工作。
2. 🤖 多LLM支持：兼容OpenAI、Google Gemini、Anthropic Claude、xAI Grok、DeepSeek、Qwen、GLM、MiniMax、OpenRouter，还支持Ollama本地部署和Azure OpenAI等企业级方案。
3. 💾 持久化决策日志：记录历史决策和收益表现，让智能体从过去的经验中学习，越用越聪明。
4. 🔄 断点续跑：运行中断后可从上次成功步骤恢复，不怕意外崩溃丢失进度。
5. 📊 交互式CLI：通过命令行界面选择股票代码、日期、LLM模型和研究深度，操作简单直观。

🎯 典型使用场景

1. 📈 个人投资研究助手：我平时关注几只科技股，用TradingAgents可以让多个AI分析师从不同角度评估一只股票——基本面、技术面、市场情绪一次性看全，比我自己翻研报效率高太多了。比如分析NVDA，它会自动调用基本面数据、近期新闻、Reddit讨论，然后给出综合判断。
2. 🏫 金融AI研究实验：项目附带了学术论文（arXiv:2412.20138），如果你在做LLM+金融方向的研究，可以直接基于这个框架做对比实验、消融实验，代码结构清晰，改起来很方便。
3. 🎓 量化交易学习与实践：想入门量化交易但又不想从零搭建系统的同学，TradingAgents提供了一个完整的端到端框架。从数据获取、多维度分析到交易决策和风控，全流程覆盖，而且支持DeepSeek、Ollama等本地模型，零成本就能跑起来。

💡 推荐理由

说实话，我试用过不少AI交易工具，但大部分要么太简单（单模型单任务），要么太黑盒（不知道AI为什么这样决策）。TradingAgents不一样——它的多智能体辩论机制让我印象深刻。看涨研究员和看跌研究员会针对同一只股票展开辩论，最终由交易员综合双方观点做出决策。这种机制比单一模型直接输出”买”或”卖”要透明得多，你清楚地知道决策背后的逻辑。

另外，对国内用户很友好：支持DeepSeek、Qwen、GLM等国产模型，还区分了国内版和国际版的API密钥，Ollama本地部署也很丝滑。即使没有海外API，照样能用。

⚠️ 友情提醒：项目明确标注仅供研究用途，不构成投资建议。股市有风险，AI也有幻觉，千万别直接拿它的输出当交易信号。

🔗 下载地址

• 🏠 官网/GitHub：https://github.com/TauricResearch/TradingAgents
• 📄 学术论文：arXiv:2412.20138