TradingAgents 一次讲透多智能体大模型交易框架的分工逻辑、回测数据与上手前的 3 个坑【免费下载链接】TradingAgents-AI.github.ioTradingAgents: Multi-Agents LLM Financial Trading Framework项目地址: https://gitcode.com/GitHub_Trending/tr/TradingAgents-AI.github.ioTradingAgents 是一个多智能体 LLM 金融交易框架它把一个真实交易公司的分工搬进大模型让基本面、情绪、新闻、技术四个分析师并行取数多空研究员辩论交易员决策风控团队复核最后由基金经理批准执行。项目论文发表于 AAAI 2025 MARW Workshop回测中它在 AAPL 上的累积收益达到 26.62%夏普比率 8.21。这篇文章讲清楚三件事怎么拿到全部资料、内部如何分工、以及新手最容易在哪踩坑。TradingAgents 解决什么问题适合谁看只用一个模型做交易通常的问题不在于模型不够聪明而在于它只有一条思路自己找数据、自己下结论、没有第二方质疑更没有风控把关。TradingAgents 把做一笔交易拆成一条流水线每个环节由不同角色的 LLM 智能体负责分析师的结论要经过多空双方的辩论和风控团队的审查才能变成指令。它适合三类人研究大模型如何落地金融场景的读者、想参考多智能体协作范式的工程师、以及等框架代码放出后要跑回测验证的量化爱好者。先说清一个前提当前仓库是项目主页框架代码尚未放出现在能做的是读架构、看数据、等更新而不是直接跑交易。两条命令拿全项目资料克隆仓库并打开主页git clone https://gitcode.com/GitHub_Trending/tr/TradingAgents-AI.github.io cd TradingAgents-AI.github.io克隆完成后用浏览器直接打开根目录的index.html即可。仓库本质是一个静态主页Bulma 样式 少量 JS包含摘要、架构图、角色说明、回测表格和曲线图全部核心材料都在这一页里README.md 则说明了项目状态——框架将以源码或 API 形式发布。static/images/目录下有架构图和回测图的原始高清文件引用或打印论文都可以直接用。这里没有依赖清单、没有入口脚本也无需安装任何包看到任何先 pip install的教程都可以先停下来核对该仓库。一张图看懂 7 个角色的分工流程从左到右五个环节分析师团队4 个角色基本面分析师看财报和估值情绪分析师看社交媒体新闻分析师看新闻与宏观指标技术分析师看技术指标。四路并行取数互不阻塞拼出完整的市场视图。研究员团队多空两方Bullish 和 Bearish 两方就分析师的数据互相质疑辩论输出的不是单方面的看多或看空而是带正反论据的平衡判断。交易员汇总辩论结论和历史信息给出带理由的交易提案包括方向、时机和仓位。风控团队内置 Aggressive、Neutral、Conservative 三种风险姿态对照当前市场状况审查提案是否越界。基金经理Manager终审批准后进入执行。两个值得注意的设计细节。第一智能体之间优先用结构化报告传递信息自然语言对话只保留在研究员辩论和风控讨论两个环节——长对话容易丢信息结构化输出能把上下文锁住。第二所有智能体基于 ReAct 框架工作模型分快思考和深思考两档取数这类轻量任务用快模型分析和决策用深推理模型因此整套系统跑在 LLM API 上不需要本地 GPU。代码放出后最值得关注的 3 个配置框架代码尚未发布以下配置项是从主页公开架构推断出的重点等代码放出时优先核对各角色的模型选型。快思考模型承担数据检索深思考模型承担分析与决策成本大头在后者。一轮完整决策要经过 4 个分析师加辩论双方加交易员加风控团队调用次数是角色数乘轮数的量级模型选贵不选便宜选便宜要盯限速。风控团队的风险姿态配比。Aggressive/Neutral/Conservative 三方的权重是整个系统的刹车偏激进则交易更自由、回撤上限变高偏保守则机会成本上升。回测中的低回撤AAPL 仅 0.91%很大程度来自这一层调它之前先理解这一层为什么存在。决策频率。论文实验采用日频决策即每天用当日可得数据做一次完整流程。频率上调API 调用量线性放大下调则可能错过信号窗口。复现结果时先按日频对齐。回测数据AAPL、GOOGL、AMZN 三只股票上的真实表现实验设置多资产多模态数据集涵盖历史价格、新闻、社交情绪、内部人交易、财报和技术指标智能体按日决策只使用当时可得的数据不含未来信息。对比基线为 Buy Hold、MACD、KDJRSI、ZMR、SMA 五种常见策略核心指标如下数据来自主页回测表格策略AAPL 累积收益AAPL 夏普AAPL 最大回撤GOOGL 累积收益AMZN 累积收益Buy Hold-5.23%-1.2911.90%7.78%17.10%MACD-1.49%-0.814.53%6.20%—KDJRSI2.05%1.641.09%0.40%-0.77%ZMR0.57%0.170.86%-0.58%-0.77%SMA-3.20%-1.723.67%6.23%11.01%TradingAgents26.62%8.210.91%24.36%23.21%曲线图覆盖 2024 年 1 月初到 4 月末TradingAgents 一路爬升至约 29%买入持有跌到约 -5%规则类策略中只有 KDJRSI 和 ZMR 勉强为正。AAPL 上它比买入持有高出约 24.6 个百分点的累积收益同时最大回撤反而从 11.90% 压到 0.91%——收益和风险控制同时占优是这张表里最硬的点。交易明细图展示了具体的进出场时点绿箭头做多、红箭头做空。必须同时记住的边界是回测窗口只有几个月、股票仅 3 只、数据全部来自 2024 年的历史环境。它证明的是这套架构在那个市场环境下有效不能外推成未来一定赚钱。新手最容易踩的 3 个坑坑一误以为仓库里就能跑框架。克隆下来的是项目主页不是交易系统——没有入口脚本没有依赖清单框架将以源码或 API 形式另行发布。看到 README 里的发布说明后把精力放在跟进仓库更新上而不是在主页目录里找启动入口。坑二低估 API 调用成本。一次日频决策的调用链是4 个分析师 多空辩论多轮 交易员 风控团队多姿态多股票场景下再乘以股票数量。跑回测前算一笔账单次决策大约多少 token按所用模型的价格和限速回测一个月要多久、花多少钱。坑三把回测表当成收益承诺。复现这套结果需要同源的多模态数据——新闻、社交情绪、内部人交易、财报缺一不可只有行情数据的场景跑不出同样效果而且窗口短、标的少的回测对市场环境高度敏感换一段行情结论未必成立。收尾现在就能做的两件事TradingAgents 展示了让多个大模型像一家交易公司一样分工协作的可行路径架构、数据和论文已经完整可读。建议现在就克隆仓库把index.html从头读一遍重点看角色分工图和那张三股票回测表等代码或 API 放出后从论文的日频默认配置开始复现。用于论文研究时按主页给出的 BibTeX 格式引用即可arXiv:2412.20138。【免费下载链接】TradingAgents-AI.github.ioTradingAgents: Multi-Agents LLM Financial Trading Framework项目地址: https://gitcode.com/GitHub_Trending/tr/TradingAgents-AI.github.io创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考 TradingAgents 一次讲透：多智能体大模型交易框架的分工逻辑、回测数据与上手前的 3 个坑
TradingAgents 一次讲透多智能体大模型交易框架的分工逻辑、回测数据与上手前的 3 个坑【免费下载链接】TradingAgents-AI.github.ioTradingAgents: Multi-Agents LLM Financial Trading Framework项目地址: https://gitcode.com/GitHub_Trending/tr/TradingAgents-AI.github.ioTradingAgents 是一个多智能体 LLM 金融交易框架它把一个真实交易公司的分工搬进大模型让基本面、情绪、新闻、技术四个分析师并行取数多空研究员辩论交易员决策风控团队复核最后由基金经理批准执行。项目论文发表于 AAAI 2025 MARW Workshop回测中它在 AAPL 上的累积收益达到 26.62%夏普比率 8.21。这篇文章讲清楚三件事怎么拿到全部资料、内部如何分工、以及新手最容易在哪踩坑。TradingAgents 解决什么问题适合谁看只用一个模型做交易通常的问题不在于模型不够聪明而在于它只有一条思路自己找数据、自己下结论、没有第二方质疑更没有风控把关。TradingAgents 把做一笔交易拆成一条流水线每个环节由不同角色的 LLM 智能体负责分析师的结论要经过多空双方的辩论和风控团队的审查才能变成指令。它适合三类人研究大模型如何落地金融场景的读者、想参考多智能体协作范式的工程师、以及等框架代码放出后要跑回测验证的量化爱好者。先说清一个前提当前仓库是项目主页框架代码尚未放出现在能做的是读架构、看数据、等更新而不是直接跑交易。两条命令拿全项目资料克隆仓库并打开主页git clone https://gitcode.com/GitHub_Trending/tr/TradingAgents-AI.github.io cd TradingAgents-AI.github.io克隆完成后用浏览器直接打开根目录的index.html即可。仓库本质是一个静态主页Bulma 样式 少量 JS包含摘要、架构图、角色说明、回测表格和曲线图全部核心材料都在这一页里README.md 则说明了项目状态——框架将以源码或 API 形式发布。static/images/目录下有架构图和回测图的原始高清文件引用或打印论文都可以直接用。这里没有依赖清单、没有入口脚本也无需安装任何包看到任何先 pip install的教程都可以先停下来核对该仓库。一张图看懂 7 个角色的分工流程从左到右五个环节分析师团队4 个角色基本面分析师看财报和估值情绪分析师看社交媒体新闻分析师看新闻与宏观指标技术分析师看技术指标。四路并行取数互不阻塞拼出完整的市场视图。研究员团队多空两方Bullish 和 Bearish 两方就分析师的数据互相质疑辩论输出的不是单方面的看多或看空而是带正反论据的平衡判断。交易员汇总辩论结论和历史信息给出带理由的交易提案包括方向、时机和仓位。风控团队内置 Aggressive、Neutral、Conservative 三种风险姿态对照当前市场状况审查提案是否越界。基金经理Manager终审批准后进入执行。两个值得注意的设计细节。第一智能体之间优先用结构化报告传递信息自然语言对话只保留在研究员辩论和风控讨论两个环节——长对话容易丢信息结构化输出能把上下文锁住。第二所有智能体基于 ReAct 框架工作模型分快思考和深思考两档取数这类轻量任务用快模型分析和决策用深推理模型因此整套系统跑在 LLM API 上不需要本地 GPU。代码放出后最值得关注的 3 个配置框架代码尚未发布以下配置项是从主页公开架构推断出的重点等代码放出时优先核对各角色的模型选型。快思考模型承担数据检索深思考模型承担分析与决策成本大头在后者。一轮完整决策要经过 4 个分析师加辩论双方加交易员加风控团队调用次数是角色数乘轮数的量级模型选贵不选便宜选便宜要盯限速。风控团队的风险姿态配比。Aggressive/Neutral/Conservative 三方的权重是整个系统的刹车偏激进则交易更自由、回撤上限变高偏保守则机会成本上升。回测中的低回撤AAPL 仅 0.91%很大程度来自这一层调它之前先理解这一层为什么存在。决策频率。论文实验采用日频决策即每天用当日可得数据做一次完整流程。频率上调API 调用量线性放大下调则可能错过信号窗口。复现结果时先按日频对齐。回测数据AAPL、GOOGL、AMZN 三只股票上的真实表现实验设置多资产多模态数据集涵盖历史价格、新闻、社交情绪、内部人交易、财报和技术指标智能体按日决策只使用当时可得的数据不含未来信息。对比基线为 Buy Hold、MACD、KDJRSI、ZMR、SMA 五种常见策略核心指标如下数据来自主页回测表格策略AAPL 累积收益AAPL 夏普AAPL 最大回撤GOOGL 累积收益AMZN 累积收益Buy Hold-5.23%-1.2911.90%7.78%17.10%MACD-1.49%-0.814.53%6.20%—KDJRSI2.05%1.641.09%0.40%-0.77%ZMR0.57%0.170.86%-0.58%-0.77%SMA-3.20%-1.723.67%6.23%11.01%TradingAgents26.62%8.210.91%24.36%23.21%曲线图覆盖 2024 年 1 月初到 4 月末TradingAgents 一路爬升至约 29%买入持有跌到约 -5%规则类策略中只有 KDJRSI 和 ZMR 勉强为正。AAPL 上它比买入持有高出约 24.6 个百分点的累积收益同时最大回撤反而从 11.90% 压到 0.91%——收益和风险控制同时占优是这张表里最硬的点。交易明细图展示了具体的进出场时点绿箭头做多、红箭头做空。必须同时记住的边界是回测窗口只有几个月、股票仅 3 只、数据全部来自 2024 年的历史环境。它证明的是这套架构在那个市场环境下有效不能外推成未来一定赚钱。新手最容易踩的 3 个坑坑一误以为仓库里就能跑框架。克隆下来的是项目主页不是交易系统——没有入口脚本没有依赖清单框架将以源码或 API 形式另行发布。看到 README 里的发布说明后把精力放在跟进仓库更新上而不是在主页目录里找启动入口。坑二低估 API 调用成本。一次日频决策的调用链是4 个分析师 多空辩论多轮 交易员 风控团队多姿态多股票场景下再乘以股票数量。跑回测前算一笔账单次决策大约多少 token按所用模型的价格和限速回测一个月要多久、花多少钱。坑三把回测表当成收益承诺。复现这套结果需要同源的多模态数据——新闻、社交情绪、内部人交易、财报缺一不可只有行情数据的场景跑不出同样效果而且窗口短、标的少的回测对市场环境高度敏感换一段行情结论未必成立。收尾现在就能做的两件事TradingAgents 展示了让多个大模型像一家交易公司一样分工协作的可行路径架构、数据和论文已经完整可读。建议现在就克隆仓库把index.html从头读一遍重点看角色分工图和那张三股票回测表等代码或 API 放出后从论文的日频默认配置开始复现。用于论文研究时按主页给出的 BibTeX 格式引用即可arXiv:2412.20138。【免费下载链接】TradingAgents-AI.github.ioTradingAgents: Multi-Agents LLM Financial Trading Framework项目地址: https://gitcode.com/GitHub_Trending/tr/TradingAgents-AI.github.io创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考