simonlin1212/TradingAgents-astock

TradingAgents‑Astock – AI 驱动的多智能体研究平台，专为中国 A 股市场打造

它是什么 – 对开源 TradingAgents 框架的分支，将整个流程定制为面向中国大陆 A 股股票。它将免费数据源（mootdx、腾讯、东方财富、新浪、同花顺等）与一组大语言模型（LLM）智能体相结合，这些智能体生成分析师报告、进行多空辩论、评估风险，并最终输出投资组合级别的评级。

为什么重要 – 原始项目是为美国股票（Yahoo Finance、Alpha Vantage、T+0 交易）构建的。中国市场有非常不同的规则（T+1 结算、每日涨跌停板、最小交易单位），并且很大程度上受政策、热钱流动和限售股解禁事件驱动。此分支新增了：

• 7 个分析师角色（市场、社会、新闻、基本面 以及 政策、热钱、解禁），每个角色都有专门的数据访问工具。
• A 股特有的交易约束（涨跌停限制、交易单位、交易时间）。
• 中文输出 最终报告为中文，同时内部 LLM 推理保持英文以确保一致性。
• 免费数据管道 避免 API 密钥障碍；所有内容通过 HTTP 或基于 TCP 的 mootdx 客户端获取。

工作原理（高层次流程）

7 个分析师智能体 → 多空辩论（N 轮）→ 研究经理（深度 LLM）→ 交易员（应用 T+1、涨跌停、手数规则）→ 三方风险辩论（激进/中性/保守）→ 投资组合经理（深度 LLM）→ 最终评级

使用两层 LLM：

• quick_think_llm 用于许多快速迭代的智能体（分析师、交易员、辩论参与者）。
• deep_think_llm 用于两个需要综合所有信息的“经理”智能体。

开始使用

1. git clone … && pip install -e .（无需 Docker）。Python ≥ 3.10。
2. 创建包含所选 LLM 提供商（MiniMax、DeepSeek、OpenAI、Anthropic、Qwen、GLM 等）API 密钥的 .env 文件。该项目支持十个提供商，甚至支持自定义 OpenAI 兼容网关。
3. 使用 tradingagents‑web（Streamlit）运行 Web UI，或使用 tradingagents analyze 运行 CLI。以下 Python 代码片段展示了如何直接调用图：

from tradingagents.graph.trading_graph import TradingAgentsGraph
config = {"llm_provider":"minimax","deep_think_llm":"MiniMax-M2.7","quick_think_llm":"MiniMax-M2.7-highspeed","output_language":"Chinese"}
TA = TradingAgentsGraph(debug=True, config=config)
state, decision = TA.propagate("688017", "2026-05-12")
print(decision)

主要实用功能

• 零外部服务依赖 – 所有市场数据来自免费公共端点；无 Tushare 或付费 API。
• 性能跟踪 – tradingagents performance 读取存储的决策日志，报告方向准确率、相对沪深 300 的超额表现和评级单调性，无需额外 LLM 调用。
• 可配置的每角色模型 – 可以为多头和空头辩论者分配不同的提供商，以避免回声室效应。
• 针对东方财富请求的稳健速率限制，以防止 IP 被禁。
• 导出 – 报告可以保存为 Markdown（始终有效）或 PDF（内置中文字体）。

谁应该使用

• 希望拥有一个可复现、开源平台来研究中国 AI 增强股票分析的研究人员或教师。
• 对尝试 LLM 驱动研究流程感兴趣的业余投资者，前提是他们理解该工具 不提供投资建议 的免责声明。
• 寻找多智能体 LLM 编排参考实现的开发者，尤其是“快速思考”与“深度思考”智能体的模式。

限制 / 注意事项

• 系统每次分析会进行 30-50 次 LLM 调用，因此成本取决于所选提供商。
• 它 不是 回测或实盘交易引擎；性能统计基于单日前瞻结果，并忽略交易成本。
• 如果底层 LLM 在工具调用方面表现不佳，某些分析师报告的质量可能参差不齐；切换到更强的模型通常会有所帮助。

---

以上所有信息均直接取自仓库的 README；未添加任何额外功能。