多智能体协作量化交易框架 TradingAgents-CN：股票多空对辩交给AI

多智能体协作量化交易框架 TradingAgents-CN：股票多空对辩交给AI

【免费下载链接】TradingAgents-CN基于多智能体LLM的中文金融交易框架 - TradingAgents中文增强版项目地址: https://gitcode.com/GitHub_Trending/tr/TradingAgents-CN

一只股票值不值得买，过去你靠刷行情、翻研报、问群友；在 TradingAgents-CN 里，靠的是一场AI内部的"投资分析会"——分析师先交作业，多空研究员当面辩论，三位不同性格的风控官投票定调。这是一个基于多智能体LLM协作的中文量化交易研究框架，你输入股票代码，取证、对辩、风控都由这支AI团队完成。

图1：CLI 分析界面，左侧展示分析师、研究、风控、组合管理层各智能体的运行状态，右侧为工具调用日志与生成的市场分析报告

先说没有它的时候有多难受

场景一：20个标签页拼出一张图

晚上11点，浏览器里开着行情软件、新闻App、股吧、券商研报PDF，加起来20多个标签页。价格在这里、消息在那里、估值指标在第三屏。想确认"这只票今天到底发生了什么"，你得先当一回人工数据管道，手动把碎片粘成一张完整的图。

场景二：你既是球员又是裁判

一旦你心里偏向"要买"，接下来翻到的每条新闻都像利好，每条指标都像在确认。确认偏误不需要培训就会上岗。真正的专业投研团队靠的是有人专职唱反调，而一个人很难对自己下的结论动手。

场景三：情绪比信号先到

刚卖掉就涨，刚追高就跌。多数个人投资者不是输在信息不够，而是输在"决定的那一刻没有第二个人反对自己"。缺的往往不是数据，是一个强制你从反面想一遍的机制。

核心机制拆解：三个设计让AI团队不像一个人在说

一支分析师队伍，每人只盯一件事

它做了什么：框架把研究拆成多个专职智能体——市场分析师盯技术面（均线、MACD、布林带），新闻分析师筛事件与舆情，基本面分析师核对财务与估值，社交媒体分析师跟踪社区情绪。每个智能体只领自己那一摊数据，独立产出结构化报告。

为什么这么做：让一个模型同时看价格、消息、财报，注意力会被摊薄，就像让一个人同时当会计和记者。分工后，每个智能体的提示词更聚焦，出错也更容易定位——哪份报告有问题，改哪个智能体就行。

你能感知到的变化：一次分析任务会生成多份分项报告，技术指标、新闻脉络、财务健康各成一节，最后汇总成一份完整分析。你拿到的是"材料齐全"，而不是"一句话结论"。

多空对辩：AI版的投资委员会

它做了什么：研究阶段不是单一研究员，而是看涨（Bullish）与看跌（Bearish）两位独立研究员，各自持有相反目标，围绕同一只股票辩论，输出正反双方的关键论据。

为什么这么做：单方分析天然倾向自我证实。强制设立"唱反调"角色，是把机构投研会里的红队机制搬进了代码里，让每个多头理由都必须先经受空头质询。

你能感知到的变化：最终建议不再是一句"看多"，而是附带对方最强反对意见的结论。测试数据显示，这种机制能帮你提前看到那些"买之前没人提醒"的风险点。

图2：看涨与看跌研究员就同一标的进行观点对辩，双方各自输出关键点摘要

三个风控官投票，而不是一个人的直觉

它做了什么：交易决策前，风控管理组里同时存在激进（Risky）、中性（Neutral）、保守（Safe）三位智能体，各自基于不同风险偏好给出评估，再由管理器（Manager）综合研判，输出最终建议与风险说明。

为什么这么做：风控最忌"一刀切"。同一笔交易，风险承受力不同的人该有不同答案。三种风险偏好并行，等价于把仓位判断从单点直觉变成多视角投票，极端偏好被稀释。

你能感知到的变化：结论里会明确写出风险与理由，而不只是一个方向按钮。你可以根据自己的真实风险偏好，选择更贴近哪位"风控官"的结论。

图3：激进、中性、保守三位风控智能体输出报告，由 Manager 汇总为最终投资推荐

架构速览：像一栋五层办公楼

图4：从数据输入、研究分析、交易决策、风险管理到组合执行的完整数据流转路径

把整个系统理解成一栋楼：底层是数据输入层，行情、新闻、社媒、基本面四路数据从不同供应商进来；往上是研究分析层，四位分析师在这里交作业；中间是决策层，多空研究员辩论、交易员（Trader）把辩论结果翻译成具体交易提案；再上一层是风险管理层，三位风控官和管理器把关；顶层是执行与监控，输出最终决策并跟踪绩效。数据像流水线一样自下而上流动，每个模块只依赖它上游的产出，替换任何一层——比如换一家LLM、换一个数据源——都不会牵动其他层。这也是 docs/architecture/ 里被反复强调的模块化设计意图。

上手路径：5步看到第一场"辩论"

1. 克隆仓库：

git clone https://gitcode.com/GitHub_Trending/tr/TradingAgents-CN cd TradingAgents-CN

2. 启动容器：

docker-compose up -d

3. 浏览器打开本地端口，进入配置页，填入大模型API密钥与数据源密钥
4. 先同步股票数据（官方提醒：不先同步再分析，结果会出现数据错误）
5. 选择一只股票发起分析，在界面上观察各智能体状态流转与最终报告

谁会用它：想在A股、港股、美股做研究学习的个人投资者——项目定位是学习与研究平台，不直接给出实盘交易指令；以及想理解多智能体LLM协作机制的工程师，把它的图结构（tradingagents/graph/）当教学样本拆解都很合适。详细步骤可参考 快速入门指南 与 docs/config/ 下的配置说明。

回扣开头：一场完整的AI投资分析会

开头说的那场"AI投资分析会"，到这里已经完整跑通：分析师交作业、研究员对辩、风控官投票、管理器拍板。整套流程走完，你得到的不是一句"买"或"卖"，而是一份带完整证据链和反对意见的分析档案——这正是把机构投研流程装进一个开源仓库的价值所在。

跑一条docker-compose up -d，挑你手里的一只票，看看这场辩论会给出什么结论。

【免费下载链接】TradingAgents-CN基于多智能体LLM的中文金融交易框架 - TradingAgents中文增强版项目地址: https://gitcode.com/GitHub_Trending/tr/TradingAgents-CN