TauricResearch/TradingAgents

解决的问题

TradingAgents 通过模拟专业交易公司的结构，解决了金融交易的复杂性。它不依赖单一 LLM，而是使用一组专业代理来分析市场数据、辩论策略并管理风险，从而降低遗漏的可能性，提升交易决策的质量。

工作原理

该框架使用 LangGraph 协调一个分为四个主要阶段的多代理工作流：

1. 分析师团队：专业代理收集基本面（财务数据）、情绪（社交媒体/新闻）、全球宏观趋势以及技术指标（MACD/RSI）的数据。
2. 研究员团队：看涨和看跌研究员进行结构化辩论，以挑战分析师的发现，并在潜在收益与风险之间取得平衡。
3. 交易员代理：整合分析师和研究员的报告，确定交易的时机和规模。
4. 风险与投资组合管理：风险管理部门评估波动性和流动性，投资组合经理做出最终批准或拒绝交易的决定。

系统包含一个决策日志，记录过往交易和反思，以提升未来表现，并支持检查点功能，可在中断后从上一个成功步骤恢复运行。

适用人群

专为研究多代理 AI 系统和金融分析的科研人员，以及希望构建 LLM 驱动的交易框架的开发者设计。

主要亮点

• 多提供商支持：兼容 OpenAI、Google、Anthropic、xAI、DeepSeek、Qwen、GLM、MiniMax 以及通过 Ollama 的本地模型。
• 全球市场覆盖：支持 Yahoo Finance 覆盖的任何市场，包括美国、香港、东京、伦敦、印度、加拿大、澳大利亚、中国及加密货币市场。
• 记忆系统：维护持久的决策日志，将过往交易的经验注入当前分析中。
• 容错能力：通过 LangGraph 检查点功能，在崩溃后可从上一个成功步骤恢复分析。