simonlin1212/TradingAgents-astock

TradingAgents‑Astock – 중국 주식 시장 중심의 다중 LLM 연구 프레임워크

무엇인가요

• 오픈소스 TradingAgents 프로젝트(논문: TradingAgents: Multi‑Agents LLM Financial Trading Framework)의 파생 버전입니다. 동일한 다중 에이전트 파이프라인을 구현하지만, 중국 A주 시장에 맞게 데이터 레이어, 에이전트 역할, 거래 규칙을 재설계했습니다.
• Apache 2.0 라이선스 하에 제공되며, 단일 명령어 pip install -e . 로 설치 가능하고, 로컬에서 실행 가능(도커 필요 없음, 다만 도커 이미지 제공).

핵심 아이디어

차원	원본 TradingAgents (미국 주식)	TradingAgents‑Astock (중국)
데이터 소스	Yahoo Finance, Alpha Vantage	무료 중국 데이터: mootdx (TCP), 동방재경, 신랑, 통화순, 텐센트 금융 등 – API 키 필요 없음
분석가 역할	4명의 분석가 (시장, 감성, 뉴스, 기초)	7명의 분석가 – 기존 4명에 정책, 핫머니 ("용호방" 추적), 락업 (주식 해제 모니터링) 추가
거래 제약	미국 규칙 (T+0, 가격 제한 없음)	A주 규칙 (T+1 결제, 일일 상하한가 제한, 최소 로트 크기, 거래 시간대)
출력 언어	영어	중국어 보고서 (내부 논의는 더 나은 추론을 위해 영어 유지)
벤치마크	SPY	CSI‑300 (상하300)

아키텍처 (개요)

1. 7명의 분석가 에이전트가 데이터 레이어의 도구 호출을 통해 개별 연구 노트 생성.
2. 버 bull vs. 베어 연구자가 노트를 논의 (라운드 수 설정 가능).
3. 연구 매니저 (딥씽킹 LLM)가 거래 계획을 통합.
4. 트레이더가 계획을 A주 기준에 맞는 주문으로 변환 (T+1, 가격 제한 확인, 로트 크기 반올림).
5. 리스크 디베이터 (공격적 / 중립 / 보수적)가 리스크를 논의.
6. 포트폴리오 매니저 (딥씽킹 LLM)가 최종 평가와 근거를 발행.

두 가지 LLM 계층 사용:

• quick_think_llm: 빠른 회전 에이전트 (분석가, 연구자, 트레이더, 리스크 디베이터)에 사용.
• deep_think_llm: 전체 맥락이 필요한 두 명의 매니저에 사용.

시작 방법

git clone https://github.com/simonlin1212/tradingagents-astock.git
cd tradingagents-astock
pip install -e .
# 선택 사항: 특정 LLM 제공자 설치 예: 
# pip install --no-deps "langchain-google-genai>=4.0.0"

LLM을 사용할 API 키를 포함하는 .env 파일 생성 (MiniMax, DeepSeek, ZhiPu, Qwen, OpenAI, Anthropic 등).

MINIMAX_API_KEY=sk-…   # 또는 DEEPSEEK_API_KEY, OPENAI_API_KEY, …

CLI 또는 Streamlit UI 중 하나 실행:

tradingagents               # 인터랙티브 CLI
tradingagents-web           # Streamlit UI 시작
# 또는
streamlit run web/app.py

6자리 A주 티커와 타겟 날짜 입력; 시스템은 데이터를 가져와 12단계 파이프라인을 실행하고, 다음을 포함하는 Markdown(또는 PDF) 보고서 출력:

• 개별 분석가 노트
• 버 bull / 베어 디베이트
• 리스크 디베이트 결과
• 최종 매수 / 보유 / 매도 평가 및 짧은 근거.

성능 추적 기능

• 각 실행 후 결정과 이후 시장 결과( CSI‑300 대비)가 로그에 기록됨.
• tradingagents performance는 이러한 로그를 집계하고 방향 정확도(평가 방향이 벤치마크를 이긴 빈도), up_rate, outperform_rate, 평가 등급의 단조성 테스트를 보고.
• 이 통계를 위해 추가 LLM 호출 필요 없음; 단순히 저장된 로그를 읽기만 함.

설정 요약

• llm_provider, quick_think_llm, deep_think_llm로 모델 선택.
• max_debate_rounds 및 max_risk_discuss_rounds로 교환 횟수 제어.
• role_llms로 특정 역할에 다른 제공자/모델 할당 가능 (예: 버와 베어 디베이터에 다른 LLM 할당해 에코 챔버 효과 방지).
• backend_url로 OpenAI 호환 게이트웨이 사용 가능 (국내 프록시 또는 자체 호스팅 추론에 유용).
• output_language는 현재 Chinese (보고서)로 제한되며, 내부 추론은 영어 유지.

일반적인 사용 사례

• 연구/교육 – 중국 시장 데이터에서 다중 에이전트 LLM 디베이트의 동작 탐색.
• 프로토타입 개발 – 자신의 데이터 공급자나 맞춤형 분석가 로직으로 교체하면서 그래프 인프라 유지.
• 메트릭 수집 – 과거 날짜에서 프레임워크 실행, 방향 정확도 통계 수집, 프롬프트나 모델 변경 실험.

아니라

• 투자 조언 서비스가 아님; 실행 가능한 가격 목표, 포지션 크기, 실행 지시를 발행하지 않음.
• 백테스팅 엔진이 아님; 성능 보기에서는 거래 비용 모델링 없이 단일 일 결정의 결과만 기록.
• 즉시 사용 가능한 "주식 선택 앱"이 아님; 자체 LLM API 키 제공 및 자체 하드웨어에서 코드 실행 필요.

---

결론: TradingAgents‑Astock은 완전히 오픈소스이며 pip로 설치 가능한 연구 프레임워크로, 중국 A주 시장의 특성에 맞게 다중 LLM TradingAgents 아키텍처를 적응시켰으며, 무료 데이터 연결, 7개의 전문 분석가 에이전트, 논의에서 평가에 이르는 완전한 파이프라인을 제공하여 학술 연구나 실험적 트레이딩 연구 프로젝트에 적합합니다.