simonlin1212/TradingAgents-astock

A股多Agent投研框架 — 适配A股数据源(龙虎榜/游资/解禁等)，7位分析师基于A股规则的辩论决策，基于TradingAgents深度改造，适配大A。A-share multi-agent investment research framework — 7 AI analysts, bull/bear debate, risk assessment。

TradingAgents‑Astock – 面向中国A股市场的AI驱动研究代理

这是什么 – 一个开源 TradingAgents 框架的分支，专为适应中国A股市场而定制的多代理投资研究流程。它将所有代码、数据连接器和一个 Streamlit 用户界面打包成一个可通过 pip 安装的软件包（Apache-2.0 许可）。该系统是一个面向研究的原型，而非交易服务，附带免责声明，明确表示不提供任何投资建议。

为何存在 – 原始的 TradingAgents 是为美国股票（Yahoo Finance、Alpha Vantage、T+0、无价格限制）设计的。这些假设在中国A股市场并不成立，因为A股具有：

T+1 结算、每日价格涨跌停板、最小交易单位和交易时段限制。
强烈受政策驱动的市场动态。
独特的数据来源（mootdx、东方财富、新浪财经、同花顺等）。

该分支重写了数据层，新增了三个中国特定的分析师角色，并调整了交易规则。

核心组件

组件	角色
7 个分析师代理	市场、社交、新闻、基本面（原始）+ 政策、热钱追踪器、限售股监控器（A股特有）。每个代理从内置供应商获取数据并生成一份简短报告。
多头 / 空头研究员	争论做多与做空策略的优劣（默认 1 轮辩论）。
研究经理	深度思考型大语言模型，综合分析师报告与辩论内容，生成投资计划。
交易员	生成符合 A 股规则（T+1、价格限制、最小单位、交易时段）的可执行订单。
风险辩论者	激进 / 中性 / 保守代理就风险敞口展开讨论。
投资组合经理	最终的深度思考型大语言模型，输出评级（买入/持有/卖出）及理由。
数据层	免费、无需 API 密钥的连接器：mootdx（TCP）、腾讯财经、东方财富、新浪财经、同花顺、财新、百度股票。
Web UI	Streamlit 前端，展示 12 步流程、进度以及可下载的 Markdown/PDF 报告。
CLI	`tradingagents` 命令，支持交互式使用、批量分析和性能统计。

工作原理（高层次流程）

数据获取 – 每个分析师调用其供应商函数（如 get_stock_data、get_news）。
分析师报告 – 生成简短的中文写作文本（内部辩论仍使用英文以保持大语言模型一致性）。
多头 vs. 空头辩论 – 两位研究员交换论点，最多进行 max_debate_rounds 轮（默认 1 轮）。
研究经理 – 一个“深度思考”型大语言模型接收所有报告与辩论输出，生成投资计划。
交易员 – 生成符合 A 股规则的具体订单。
风险辩论 – 激进 / 中性 / 保守代理讨论风险。
投资组合经理 – 最终的深度思考型大语言模型输出评级与理由。
结果 – 系统返回一个结构化决策对象和一份完整的多章节报告。

快速入门（简要步骤）

# 1. 克隆并安装（Python ≥3.10）
git clone https://github.com/simonlin1212/tradingagents-astock.git
cd tradingagents-astock
pip install -e .

# 2. 设置大语言模型凭证（选择一个提供方）
cat > .env <<EOF
MINIMAX_API_KEY=sk-xxxx   # 或 DEEPSEEK_API_KEY, OPENAI_API_KEY, 等等
EOF

# 3. 运行 UI（或 CLI）
tradingagents-web               # 打开 http://localhost:8501
# 或
tradingagents analyze           # 交互式提示

README 还提供了一个使用 TradingAgentsGraph 分析单个股票代码的最小 Python 示例。

你可以用它做什么

研究与教学 – 在任意 A 股股票上运行完整的多代理流程，观察 LLM 驱动的分析师如何分析价格、政策、热钱流动和限售股解禁事件。
实验不同大语言模型提供方 – 通过 llm_provider 和 backend_url 设置，在 MiniMax、DeepSeek、Qwen、GLM、OpenAI、Anthropic、Google Gemini、Ollama 或任何兼容 OpenAI 的网关之间切换。
批量性能分析 – 经过多次运行后，tradingagents performance 可计算方向准确率、相对于 CSI-300 的超额收益以及评级区分度，且无需额外的大语言模型调用。
自定义角色 – 使用 role_llms 配置为多头/空头辩论者或其他代理分配不同模型，适用于研究模型特异性偏差。

局限性与注意事项

仅限研究 – 无执行引擎，无投资组合层面的风险管理，无交易成本建模。免责声明明确指出其并非投资服务。
大语言模型成本 – 每次分析触发 30–50 次大语言模型调用；除非使用本地 Ollama 模型或 Claude-SDK 订阅技巧，否则需要付费 API 密钥。
数据可靠性 – 所有数据源均为免费，但可能存在速率限制（东方财富的限流机制已内置）。偶尔某个分析师可能因模型无法调用工具而返回空报告。
模型输出长度 – 某些提供方会截断报告；你可能需要在配置中提高 max_tokens。
性能指标 – performance 命令报告的 方向准确率 基于固定持有周期；它不是回测，样本量少时可能噪声较大。

哪些人可能用得上？

学术或企业研究人员，探索中国股票市场中 LLM 驱动的金融推理。
量化开发者，希望获得一个现成的多代理研究框架，集成到自己的执行系统中。
学生，学习 AI 代理、工具调用以及 A 股市场的独特性。

TL;DR – TradingAgents‑Astock 是一个完全开源、可通过 pip 安装的框架，运行由七个 AI 分析师、辩论模块和风险管理者组成的链条，为中国 A 股市场生成中文投资报告，配有 Web UI 和 CLI 以快速实验。它是一个真实的 AI 研究项目，而非精选列表或教程。