TauricResearch TradingAgents

好的，这是您要求的英文文章的中文翻译，已按照规范保留格式、术语和代码块。

---

TauricResearch TradingAgents

Deutsch | Español | français | 日本語 | 한국어 | Português | Русский | 中文

TradingAgents: 多智能体 LLM 金融交易框架

新闻

• [2026-04] TradingAgents v0.2.4 发布，新增结构化输出智能体（研究经理、交易员、投资组合经理）、LangGraph 检查点恢复、持久化决策日志、DeepSeek/Qwen/GLM/Azure 提供商支持、Docker 以及 Windows UTF-8 编码修复。完整列表请参见 CHANGELOG.md。
• [2026-03] TradingAgents v0.2.3 发布，新增多语言支持、GPT-5.4 系列模型、统一模型目录、回测日期保真度以及代理支持。
• [2026-03] TradingAgents v0.2.2 发布，新增 GPT-5.4/Gemini 3.1/Claude 4.6 模型覆盖、五级评分量表、OpenAI Responses API、Anthropic 努力控制以及跨平台稳定性。
• [2026-02] TradingAgents v0.2.0 发布，新增多提供商 LLM 支持（GPT-5.x、Gemini 3.x、Claude 4.x、Grok 4.x）并改进了系统架构。
• [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该工作的咨询，并对社区的 enthusiasm 表示感谢。因此，我们决定完全开源该框架。期待与您共同构建有影响力的项目！🚀

TradingAgents | ⚡ 安装与 CLI | 🎬 演示 | 📦 包使用 | 🤝 贡献 | 📄 引用

TradingAgents 框架

TradingAgents 是一个多智能体交易框架，它模拟了真实交易公司的运作动态。通过部署由 LLM 驱动的专业智能体：从基本面分析师、情绪专家和技术分析师，到交易员和风险管理团队，该平台协同评估市场状况并为交易决策提供信息。此外，这些智能体会进行动态讨论，以确定最优策略。

TradingAgents 框架专为研究目的而设计。交易表现可能因多种因素而异，包括所选的基础语言模型、模型温度、交易周期、数据质量以及其他非确定性因素。它不构成财务、投资或交易建议。

我们的框架将复杂的交易任务分解为专门的职能角色。这确保了系统能够采用稳健、可扩展的方法进行市场分析和决策。

分析师团队

• 基本面分析师：评估公司财务状况和绩效指标，识别内在价值和潜在危险信号。
• 情绪分析师：使用情绪评分算法分析社交媒体和公众情绪，以衡量短期市场情绪。
• 新闻分析师：监控全球新闻和宏观经济指标，解读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）检测交易模式并预测价格走势。

研究团队

由看涨和看空研究员组成，他们对分析师团队提供的见解进行批判性评估。通过结构化的辩论，他们在潜在收益与固有风险之间取得平衡。

交易员智能体

综合分析师和研究员撰写的报告，做出明智的交易决策。它基于全面的市场洞察来确定交易的时机和规模。

风险管理与投资组合经理

通过评估市场波动性、流动性和其他风险因素，持续评估投资组合风险。风险管理团队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。投资组合经理批准/拒绝交易提案。如果获得批准，订单将被发送到模拟交易所并执行。

安装与 CLI

安装

1. 克隆 TradingAgents：

    git clone https://github.com/TauricResearch/TradingAgents.git
    cd TradingAgents

2. 在你喜欢的环境管理器中创建一个虚拟环境：

    conda create -n tradingagents python=3.13
    conda activate tradingagents

3. 安装包及其依赖项：

    pip install .

Docker

或者，使用 Docker 运行：

cp .env.example .env # 添加你的 API 密钥
docker compose run --rm tradingagents

对于使用 Ollama 的本地模型：

docker compose --profile ollama run --rm tradingagents-ollama

必需的 API

TradingAgents 支持多个 LLM 提供商。为你选择的提供商设置 API 密钥：

export 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 (Alibaba DashScope)
export ZHIPU_API_KEY=... # GLM (Zhipu)
export OPENROUTER_API_KEY=... # OpenRouter
export ALPHA_VANTAGE_API_KEY=... # Alpha Vantage

对于企业级提供商（例如 Azure OpenAI、AWS Bedrock），请将 .env.enterprise.example 复制到 .env.enterprise 并填写你的凭据。对于本地模型，在配置中使用 llm_provider: "ollama" 配置 Ollama。

或者，将 .env.example 复制到 .env 并填写你的密钥：

cp .env.example .env

CLI 使用

启动交互式 CLI：

tradingagents # 已安装的命令
python -m cli.main # 替代方案：直接从源码运行

你将看到一个界面，可以在其中选择所需的股票代码、分析日期、LLM 提供商、研究深度等。随着结果加载，将出现一个界面，让你可以跟踪智能体的运行进度。

TradingAgents 包

实现细节

我们使用 LangGraph 构建了 TradingAgents，以确保灵活性和模块化。该框架支持多个 LLM 提供商：OpenAI、Google、Anthropic、xAI、DeepSeek、Qwen (Alibaba DashScope)、GLM (Zhipu)、OpenRouter、用于本地模型的 Ollama 以及用于企业级的 Azure OpenAI。

Python 使用

要在你的代码中使用 TradingAgents，你可以导入 tradingagents 模块并初始化一个 TradingAgentsGraph() 对象。.propagate() 函数将返回一个决策。你可以运行 main.py，这里有一个快速示例：

from tradingagents.graph.trading_graph import TradingAgentsGraph

# ... 后续代码