TradingAgents

来自加州大学洛杉矶分校（UCLA）、麻省理工学院（MIT） 与 Tauric 研究所 的研究人员联合推出了一款名为 TradingAgents 的开源多智能体交易框架。

该平台通过模拟现实世界中金融公司的协作流程，部署多个专业化的 LLM 驱动智能体，共同完成市场分析、策略制定与交易执行任务。它不仅是一个实验性研究工具，也为未来自动化交易系统的发展提供了新的思路。

🧠 TradingAgents 是什么？

TradingAgents 是一个基于大语言模型（LLM）的多智能体交易决策系统，其核心理念是将金融市场中的复杂分析任务分解为多个专业化角色，并让每个角色由独立的 AI 智能体负责处理。

这些智能体通过协作、讨论和投票机制，形成一套完整的投资决策链，从而提高交易判断的全面性和稳定性。

⚠️ 注意：该框架仅供学术研究使用，不构成任何投资建议。

👥 智能体团队分工详解

TradingAgents 的架构设计借鉴了传统金融公司的组织结构，包括分析师、研究员、交易员、风险控制等多个角色：

📊 分析师团队

• 基本面分析师：评估企业财务数据、盈利能力、资产负债等指标，识别内在价值和潜在风险。
• 情绪分析师：利用情绪评分算法分析社交媒体、论坛、新闻评论等内容，捕捉市场短期情绪波动。
• 新闻分析师：监控全球新闻事件和宏观经济数据，解读其对市场趋势的影响。
• 技术分析师：运用 MACD、RSI 等技术指标分析价格走势，预测市场动向。

🔍 研究团队

• 看涨研究员 & 看跌研究员：分别从正反角度审视分析师提供的信息，通过结构化辩论平衡收益与风险，提升决策质量。

💼 交易员智能体

综合所有分析结果，决定是否买入/卖出、交易时机及仓位大小，做出最终交易决策。

🛡️ 风险管理与投资组合经理

• 风险管理团队：持续监测市场波动性、流动性、杠杆水平等关键指标，调整交易策略以控制风险。
• 投资组合经理：审核交易提案并决定是否执行，确保整体资产配置符合预期目标。

🏗️ 技术实现与模块设计

TradingAgents 使用 LangGraph 构建，具备高度模块化和可扩展性。整个框架支持多种 LLM 引擎，方便研究人员根据实验需求灵活配置。

🧪 实验环境使用的 LLM：

• o1-preview 和 gpt-4o：用于深度推理与快速响应；
• o4-mini 和 gpt-4.1-mini：成本优化选项，适用于测试和初步实验。

由于该框架会发起大量 API 请求，推荐使用性价比更高的模型进行初步验证。

🧪 应用场景与研究价值

TradingAgents 主要面向以下方向的研究者和开发者：

• 金融人工智能（AI in Finance）
• 多智能体协作系统（Multi-Agent Systems）
• 自动化交易策略（Algorithmic Trading）
• 基于 LLM 的决策建模（LLM-based Decision Making）

虽然目前 TradingAgents 尚未达到商业级交易性能，但其在模拟真实交易流程、探索智能体协同机制方面具有重要研究意义。