TradingAgents多 Agent LLM 金融交易框架新闻动态[2026-06]TradingAgents v0.3.0正式发布新增经过验证的数据访问合约、扩展的提供商注册表NVIDIA、Kimi、Groq、Mistral、Bedrock 及任意 OpenAI 兼容端点、FRED 与 Polymarket 数据源、新一代模型目录以及 CI 门控。完整变更列表请参阅 CHANGELOG.md。[2026-05]TradingAgents v0.2.5正式发布新增经过核实的情绪分析师Sentiment Analyst、GPT-5.5 等模型支持、Qwen/GLM/MiniMax 双区域支持、通过TRADINGAGENTS_*环境变量进行配置并自动检测 API Key、远程 Ollama 支持、非美股 alpha 基准测试以及 ticker 路径穿越漏洞加固。[2026-04]TradingAgents v0.2.4正式发布新增结构化输出 AgentResearch Manager、Trader、Portfolio Manager、LangGraph 检查点恢复、持久化决策日志、DeepSeek/Qwen/GLM/Azure 提供商支持、Docker 支持以及 Windows UTF-8 编码修复。[2026-03]TradingAgents v0.2.3正式发布新增多语言支持、GPT-5.4 系列模型、统一模型目录、回测日期保真度修复以及代理proxy支持。[2026-03]TradingAgents v0.2.2正式发布新增 GPT-5.4/Gemini 3.1/Claude 4.6 模型覆盖、五级评分体系、OpenAI Responses API、Anthropic effort 控制以及跨平台稳定性优化。[2026-02]TradingAgents v0.2.0正式发布新增多提供商 LLM 支持GPT-5.x、Gemini 3.x、Claude 4.x、Grok 4.x及改进的系统架构。[2026-01]Trading-R1技术报告发布Terminal 预计即将上线。TradingAgents正式发布我们收到了大量关于此项目的咨询对社区的热情深表感谢。因此我们决定将该框架完全开源。期待与大家共同打造有影响力的项目 TradingAgents | ⚡ 安装与 CLI | 演示 | 包使用说明 | 参与贡献 | 引用TradingAgents 框架TradingAgents 是一个多 Agent 交易框架模拟真实交易公司的运作模式。通过部署专业化的 LLM 驱动 Agent——包括基本面分析师、情绪专家、技术分析师、交易员以及风险管理团队——该平台以协作方式评估市场状况并辅助交易决策。此外这些 Agent 还会开展动态讨论以找出最优策略。TradingAgents 框架仅供研究目的使用。交易表现可能因多种因素而存在差异包括所选的骨干语言模型、模型温度参数、交易周期、数据质量及其他非确定性因素。本框架不构成任何财务、投资或交易建议。我们的框架将复杂的交易任务分解为多个专业角色。分析师团队基本面分析师评估公司财务状况与业绩指标识别内在价值及潜在风险信号。情绪分析师汇总新闻标题、StockTwits 及 Reddit 讨论形成单一情绪读数以衡量短期市场情绪。新闻分析师监控全球新闻与宏观经济指标解读各类事件对市场状况的影响。技术分析师利用技术指标如 MACD 和 RSI识别交易模式并预测价格走势。研究员团队由看多研究员和看空研究员组成对分析师团队提供的洞察进行批判性评估。通过结构化辩论在潜在收益与固有风险之间寻求平衡。交易员 Agent综合分析师和研究员的报告做出经过充分论证的交易决策确定交易的时机与规模。风险管理与投资组合经理通过评估市场波动性、流动性及其他风险因素持续评估投资组合风险。风险管理团队负责评估和调整交易策略并向投资组合经理提供评估报告以供最终决策参考。投资组合经理负责审批或拒绝交易提案。若获批准订单将发送至模拟交易所并执行。安装与 CLI安装克隆 TradingAgentsgit clone https://github.com/TauricResearch/TradingAgents.git cd TradingAgents在您常用的环境管理器中创建虚拟环境conda create -n tradingagents python3.12 conda activate tradingagents安装软件包及其依赖项pip install .Docker或者使用 Docker 运行cp .env.example .env # add your API keys docker compose run --rm tradingagents若要使用 Ollama 运行本地模型docker compose --profile ollama run --rm tradingagents-ollama必需的 APITradingAgents 支持多个 LLM 提供商。请为您选择的提供商设置 API Keyexport OPENAI_API_KEY... # OpenAI (GPT) export GOOGLE_API_KEY... # Google (Gemini) export ANTHROPIC_API_KEY... # Anthropic (Claude) export XAI_API_KEY... # xAI (Grok) export DEEPSEEK_API_KEY... # DeepSeek export DASHSCOPE_API_KEY... # Qwen — International (dashscope-intl.aliyuncs.com) export DASHSCOPE_CN_API_KEY... # Qwen — China (dashscope.aliyuncs.com) export ZHIPU_API_KEY... # GLM via Z.AI (international) export ZHIPU_CN_API_KEY... # GLM via BigModel (China, open.bigmodel.cn) export MINIMAX_API_KEY... # MiniMax — Global (api.minimax.io) export MINIMAX_CN_API_KEY... # MiniMax — China (api.minimaxi.com) export OPENROUTER_API_KEY... # OpenRouter export ALPHA_VANTAGE_API_KEY... # Alpha Vantage对于 Azure OpenAI请将.env.enterprise.example复制为.env.enterprise并填入您的凭据。对于 AWS Bedrock请通过pip install .[bedrock]安装额外依赖设置llm_provider: bedrock配置 AWS 凭据环境变量、~/.aws/credentials或 IAM 角色并设置AWS_DEFAULT_REGION同时使用 Bedrock 模型 ID例如us.anthropic.claude-opus-4-8-v1:0。对于本地模型请使用llm_provider: ollama配置 Ollama。默认端点为http://localhost:11434/v1设置OLLAMA_BASE_URL以指向远程ollama-serve。通过ollama pull拉取模型并在 CLI 中选择自定义模型 ID以使用默认列表之外的任意模型。对于其他任意 OpenAI 兼容服务器vLLM、LM Studio、llama.cpp 或自定义中继请使用llm_provider: openai_compatible并通过backend_url或TRADINGAGENTS_LLM_BACKEND_URL设置端点例如 vLLM 使用http://localhost:8000/v1LM Studio 使用http://localhost:1234/v1。模型名称即您服务器所提供的模型。本地服务器无需 Key若端点需要认证请设置OPENAI_COMPATIBLE_API_KEY。或者将.env.example复制为.env并填入您的 Keycp .env.example .envCLI 使用方法启动交互式 CLItradingagents # installed command python -m cli.main # alternative: run directly from source您将看到一个界面可在其中选择所需的 ticker、分析日期、LLM 提供商、研究深度等参数。市场与 tickerTradingAgents 支持 Yahoo Finance 所覆盖的任意市场使用带交易所后缀的 ticker。公司身份信息和 alpha 基准将根据市场自动解析。美国AAPL、SPY香港0700.HK· 东京7203.T· 伦敦AZN.L印度RELIANCE.NS、.BO· 加拿大.TO· 澳大利亚.AX中国 A 股上海.SS、深圳.SZ例如贵州茅台使用600519.SS加密货币BTC-USD、ETH-USD界面会在结果加载时实时展示让您可以追踪 Agent 的运行进度。TradingAgents 包实现细节我们使用 LangGraph 构建了 TradingAgents以确保其灵活性与模块化。该框架支持多个 LLM 提供商OpenAI、Google、Anthropic、xAI、DeepSeek、Qwen阿里云 DashScope国际版与中国区端点、GLM智谱、MiniMax全球版与中国区、OpenRouter、用于本地模型的 Ollama以及面向企业的 Azure OpenAI。Python 使用方法若要在代码中使用 TradingAgents可导入tradingagents模块并初始化一个TradingAgentsGraph()对象。.propagate()函数将返回一个决策结果。您可以运行main.py以下是一个快速示例from tradingagents . graph . trading_graph import TradingAgentsGraph from tradingagents . default_config import DEFAULT_CONFIG ta TradingAgentsGraph ( debug True , config DEFAULT_CONFIG . copy ()) # forward propagate _ , decision ta . propagate ( NVDA , 2026-01-15 ) print ( decision )您还可以调整默认配置自行设置 LLM 选择、辩论轮次等参数。from tradingagents . graph . trading_graph import TradingAgentsGraph from tradingagents . default_config import DEFAULT_CONFIG config DEFAULT_CONFIG . copy () config [ llm_provider ] openai # e.g. openai, google, anthropic, deepseek, groq, ollama; openai_compatible covers any OpenAI-compatible endpoint (vLLM, LM Studio, llama.cpp, ...) config [ deep_think_llm ] gpt-5.5 # Model for complex reasoning config [ quick_think_llm ] gpt-5.4-mini # Model for quick tasks config [ max_debate_rounds ] 2 ta TradingAgentsGraph ( debug True , config config ) _ , decision ta . propagate ( NVDA , 2026-01-15 ) print ( decision )所有配置选项请参见tradingagents/default_config.py。持久化与恢复TradingAgents 在多次运行之间持久化两类状态。决策日志决策日志始终处于开启状态。每次完成运行后其决策结果将被追加至~/.tradingagents/memory/trading_memory.md。在下次针对同一 ticker 运行时TradingAgents 会获取已实现的收益率原始收益及相对 SPY 的 alpha生成一段反思内容并将最近的同 ticker 决策记录及近期跨 ticker 经验教训注入投资组合经理的提示词中从而使每次分析都能延续过往的成功经验与失败教训。可通过TRADINGAGENTS_MEMORY_LOG_PATH覆盖默认路径。检查点恢复检查点恢复功能通过--checkpoint选择性开启。启用后LangGraph 会在每个节点执行后保存状态使崩溃或中断的运行能够从最后一个成功步骤处恢复而无需从头开始。恢复运行时日志中会显示Resuming from step N for on全新运行时则会显示Starting fresh。检查点在运行成功完成后会自动清除。各 ticker 对应的 SQLite 数据库存储于~/.tradingagents/cache/checkpoints/ .db可通过TRADINGAGENTS_CACHE_DIR覆盖基础路径。使用--clear-checkpoints可在运行前重置所有检查点。tradingagents analyze --checkpoint # enable for this run tradingagents analyze --clear-checkpoints # reset before runningconfig DEFAULT_CONFIG . copy () config [ checkpoint_enabled ] True ta TradingAgentsGraph ( config config ) _ , decision ta . propagate ( NVDA , 2026-01-15 )可复现性TradingAgents 由 LLM 驱动因此针对相同 ticker 和日期的两次运行结果可能存在差异。对于基于语言模型构建的研究工具而言这是预期行为而非缺陷。差异来源于几个不同方面对其加以区分有助于理解。语言模型的采样本身是非确定性的。即使在固定温度下提供商也无法保证每次调用的输出完全一致而推理模型默认的 GPT-5.x 系列以及任何启用思维模式的模型的差异最为显著因为其内部推理过程本身也是被采样的。实时数据在持续变化。新闻、StockTwits 和 Reddit 的内容随时间推移而更新因此即使针对同一历史交易日期今天运行与上周运行所获取的输入也会有所不同。固定分析日期可以锁定价格和指标窗口但社交媒体和新闻来源仍会反映当前内容。若要降低结果差异可以调低采样温度。在配置中设置temperature或在.env中设置TRADINGAGENTS_TEMPERATURE较低的温度值会使支持该参数的模型产生更稳定的输出。当前精选的模型以推理优先为主大多会忽略温度设置因此若要获得更强的可复现性建议使用非推理模型可通过自定义模型 ID选项显式指定。config DEFAULT_CONFIG . copy () config [ llm_provider ] openai config [ temperature ] 0.0 # Reasoning models ignore temperature. For tighter reproducibility, set a # non-reasoning deep/quick model explicitly (e.g. via the Custom model ID option).不再产生差异的部分被分析公司的身份信息在任何 Agent 运行之前即已通过 ticker 确定性地解析市场分析师也会将确切的价格和指标声明锚定于经过验证的数据快照中。早期版本中出现的不同公司或跨次运行捏造价格水平的问题均已通过这两项机制得到解决。回测结果不保证与任何已发布的数据相符。收益取决于所使用的模型、temperature 参数、日期范围、数据质量以及上述采样方式。请将本框架视为研究多智能体分析的实验脚手架而非具有固定、可复现收益的交易策略。Contributing欢迎贡献代码包括 bug 修复、文档完善和功能建议历次贡献者均会在CHANGELOG.md中按版本注明致谢。Citation如果您发现TradingAgents对您有所帮助请引用我们的工作 :)misc{xiao2025tradingagentsmultiagentsllmfinancial, title{TradingAgents: Multi-Agents LLM Financial Trading Framework}, author{Yijia Xiao and Edward Sun and Di Luo and Wei Wang}, year{2025}, eprint{2412.20138}, archivePrefix{arXiv}, primaryClass{q-fin.TR}, url{https://arxiv.org/abs/2412.20138}, }