TradingAgents 是什么？

TradingAgents 是一个开源多智能体 LLM 交易框架，模拟真实交易团队：基本面、技术面、情绪、新闻等分析师先给出观点，再由风控和基金经理做出最终决策。

运行 TradingAgents 需要 GPU 吗？

不需要。TradingAgents 调用 OpenAI 等 LLM API 或本地模型，普通 CPU 即可运行；本地大模型有 GPU 会更快。

TradingAgents 能实盘交易吗？

实盘交易支持有限且偏实验性。它主要是一个研究和教育框架，不建议在未大量定制的情况下用于真实资金。

运行成本高吗？

取决于 LLM 提供商。一次包含多个智能体的回测可能消耗大量 token。实验阶段建议使用小模型或本地模型降低成本。

需要哪个 Python 版本？

推荐 Python 3.10 及以上。项目使用 Poetry 管理依赖。

TradingAgents 多智能体交易框架 setup 教程

Risk Disclaimer: This content is for educational purposes only. Trading involves significant risk of loss. Past performance does not guarantee future results. Always do your own research before using any trading tool or strategy.

TradingAgents 是 GitHub 上最受欢迎的 AI 交易开源项目之一，原因很直接：它不像传统做法那样把大模型当成全知 oracle，而是把交易流程拆分成多个专业角色，模拟真实投资团队的工作方式。

这篇教程会带你完成 TradingAgents 的安装、配置分析师团队、运行第一次多智能体辩论，并解读结果。最终你会得到一个可工作的研究沙盒，而不是一个黑箱预测机器。

你会完成什么

读完本教程后，你将拥有：

本地 TradingAgents 环境
配置好的分析师智能体团队
一个小型股票池的回测
记录每个智能体投票和理由的日志

这不是实盘系统。把它理解为学习如何把不同信号聚合成单一决策的过程。

前置条件

开始前请确保：

Python 3.10 或更新版本
已安装 Git
拥有 OpenAI API key 或通过 Ollama 使用本地模型
熟悉命令行和 Python 虚拟环境
若使用 OpenAI，账户有一定额度

如果还没用过 Poetry，先安装：

curl -sSL https://install.python-poetry.org | python3 -

第一步：克隆与安装

git clone https://github.com/TauricResearch/TradingAgents.git
cd TradingAgents
poetry install
poetry shell

安装可能需要几分钟，因为 TradingAgents 依赖多个 LLM 编排库。如果出现依赖冲突，请检查 Python 版本是否符合项目要求。

第二步：配置 LLM 提供商

TradingAgents 需要调用大语言模型。最简单的方式是使用 OpenAI。在项目根目录创建 .env 文件：

OPENAI_API_KEY=sk-your-key-here

如果想用本地模型，先安装 Ollama 并拉取模型：

ollama pull llama3

然后修改配置文件指向本地端点。本地模型更便宜，但速度较慢，有时遵循结构化指令的能力也弱一些。

第三步：理解智能体架构

TradingAgents 采用角色化设计，默认工作流包含：

智能体	角色	输出
基本面分析师	读取财务报表和比率	看多/看空信号及理由
技术面分析师	评估图表和指标	进出场时机意见
情绪分析师	处理新闻和社交媒体	情绪分数和趋势
新闻分析师	从标题中提取事件	事件影响评估
风控经理	审视整体敞口	仓位大小和风险限制
基金经理	做出最终决策	买入/卖出/持有及置信度

每个智能体拿到相同的市场上下文，但从各自角度解读。基金经理负责综合各方观点并给出最终判断。

第四步：设置第一个实验

TradingAgents 的配置大多在 YAML 文件中。打开示例配置，重点关注以下部分：

universe：智能体分析的股票池
agents：激活哪些智能体及其 prompt
llm：模型名称和 temperature
backtest：日期范围、初始资金、再平衡频率

第一次运行时把股票池设小。选 3-5 只大盘股（如 AAPL、MSFT、NVDA、GOOGL、AMZN）即可，既能观察系统行为，又不会烧太多 token。

universe:
  - AAPL
  - MSFT
  - NVDA
  - GOOGL
  - AMZN

再平衡频率设为月度。日度再平衡加上多智能体讨论会迅速消耗 API 额度。

第五步：运行回测

保存配置后运行：

python run_backtest.py --config configs/example.yaml

首次运行可能需要 5 到 20 分钟，具体取决于 LLM 提供商和智能体数量。日志会显示每个智能体的推理过程和基金经理的最终决策。

运行完成后查看输出目录，通常会有：

随时间变化的持仓权重 CSV
每个智能体推理的 JSON 日志
包含收益、波动率、回撤的摘要报告

第六步：阅读辩论日志

辩论日志是 TradingAgents 最有教育价值的部分。打开 JSON 日志，你会看到类似这样的条目：

{
  "agent": "technical_analyst",
  "ticker": "NVDA",
  "signal": "bullish",
  "confidence": 0.72,
  "reasoning": "Price is above the 50-day moving average with expanding volume."
}