TradingAgents把真实机构的研究、讨论与风控流程拆成可协作的角色：基本面、技术、新闻与情绪分析师各自处理数据，多空研究员辩论，交易员形成计划，风控与组合经理审核。项目在GitHub已获超10.8万Star，四条命令即可启动。

今天和大家分享一个股票研究类的开源项目：TradingAgents。

它是一个面向金融研究的多智能体开源框架。它尝试把真实交易机构中的研究、讨论和风控流程，组织成一套可以由大模型协作完成的工作流。

目前，项目在 GitHub 上已经获得超过10.8 万 Star，并持续迭代。它更适合用来研究多智能体如何参与金融分析，也可以作为个人投资研究和量化实验的工具。

01 它如何组织一次分析

TradingAgents 基于LangGraph 构建，将股票研究拆分为几类角色。

分析师团队负责处理不同类型的数据。基本面分析师关注公司财务和经营状况，技术分析师分析价格、成交量以及 RSI、MACD 等指标，新闻分析师跟踪公司新闻和宏观事件，情绪分析师则整理 Reddit、StockTwits 等社区中的市场情绪。

研究员团队会进一步审查这些分析。多头研究员寻找上涨逻辑，空头研究员检查估值、行业环境和潜在风险。双方经过讨论后，交易员负责形成交易计划，风险管理团队评估波动率、流动性和组合风险，最后由组合经理审核交易方案。

整个流程可以概括为：

02 和普通提问有什么不同

直接问大模型某只股票该不该买，通常只能得到一次性的回答。回答看起来完整，但分析过程可能缺少数据验证，结论也容易受到模型偏好和提示词的影响。

• 直接提问：单次回答，缺少数据验证
• TradingAgents：分工分析 + 多空交叉审查

TradingAgents 则采用了另一种思路：让不同智能体分别负责不同问题，再通过多空研究员的讨论，对前面的分析进行交叉审查。

例如，基本面分析师可能认为公司长期价值较好，技术分析师却发现短期趋势转弱；新闻分析师看到行业政策变化后，风险管理团队还会进一步评估这种变化对仓位和波动率的影响。

这种架构并不能保证结论正确，但可以让研究过程更加结构化，也便于发现分析中的遗漏。

项目还支持决策日志和回测功能。系统可以记录过去的分析结果，并在后续运行时参考相同股票的历史决策和实际表现。

注意

日志机制可以帮助复盘，却不能自动形成一套稳定盈利的交易策略。

03 如何部署它

下面以 Windows Subsystem for Linux，也就是WSL，加 Docker 的方式进行部署。

STEP 1 克隆项目

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

cd TradingAgents

STEP 2 配置环境变量

复制项目提供的环境变量模板：

cp .env.example .env

nano .env

项目支持多家模型服务商，包括 OpenAI、Google、Anthropic、DeepSeek、Qwen、GLM、Ollama 等，以及其他兼容 OpenAI API 格式的服务。

根据自己使用的模型服务商，在.env 文件中填写对应的 API Key。

如果使用的模型服务商没有出现在模板中，也可以通过OpenAI 兼容接口接入：

TRADINGAGENTS_LLM_BACKEND_URL=https://你的提供商地址/v1

OPENAI_COMPATIBLE_API_KEY=你的key

STEP 3 启动 Docker

docker compose run –rm tradingagents

启动后，终端会进入交互式向导。

第一次运行：用腾讯控股做测试

TradingAgents 默认示例通常使用SPY，也就是标普 500 ETF。

项目支持 Yahoo Finance 覆盖的多个市场，输入股票代码时需要带上交易所后缀。例如：

• 美股：AAPL
• 港股：0700.HK
• 日股：7203.T
• A 股：600519.SS
• 加密资产：BTC-USD

这里输入腾讯控股的代码：0700.HK

接下来依次选择分析日期、输出语言、分析师类型和研究深度。

研究深度分为三个级别。

1. 快速模式：适合先了解项目流程，第一次运行优先选它。
2. 中等模式：会调用更多分析步骤，耗时和消耗都相应增加。
3. 深入模式：适合对单只股票进行更完整的研究。

第一次运行建议先选择快速模式，确认数据源、模型接口和配置都能正常工作。

然后选择模型服务商和模型 ID。

本文测试使用了阶跃的step-5-preview（官方宣称他们对金融领域特别训练过，待验证）。你也可以选择环境变量中已经配置的服务商，再填写该服务商实际提供的模型名称。

填写完成后，确认配置即可开始运行。

运行过程中，终端会显示各个智能体的执行进度。

分析过程和交易判断的报告

最终系统会生成一份包含（截取部分）：

04 数据从哪里来

TradingAgents 并不自带一套完全独立的行情数据库，很多数据依赖外部服务。

因此，项目能否顺利运行，除了取决于模型 API，也取决于行情、新闻和情绪数据源是否能够正常访问，建议提前准备好自己的网络环境。

此外，不同市场的数据覆盖并不完全一致。美股公司通常能获得更完整的财务和申报数据，港股、A 股等市场则可能受到数据源覆盖范围、ticker 格式和接口限制的影响。

写在最后

从部署角度看，TradingAgents 的门槛并不算高。准备好 Docker、模型 API 和数据源之后，几条命令就可以启动。

真正值得花时间的部分，在于理解它的运行逻辑：哪些数据被采集，哪些角色参与分析，多空观点如何形成，最终决策又是如何被风险管理团队审核。

当大模型开始从“回答问题”转向“分工协作”，TradingAgents 提供了一个相对直观的观察样本。

跑通不难，理解它怎么思考才费时间。

该框架仅供研究，输出不构成任何投资建议。对 A 股标的的数据覆盖有限，结论仅供参考。投资需谨慎，AI 时代最重要的是自己的判断力。

项目官方仓库：https://github.com/TauricResearch/TradingAgents

研究论文：TradingAgents: Multi-Agents LLM Financial Trading Framework