フレームワーク

TradingAgents を解剖する:マルチ Agent はどう連携して売買判断を下すのか

GitHub で 99k stars を誇る金融マルチ Agent フレームワーク。LangGraph でアナリスト・リサーチャー・トレーダー・リスク管理を一本のパイプラインに束ねる。コードは動くが、落とし穴もまた多い。

文字サイズ

GitHub 上の TauricResearch/TradingAgents は 99k stars の本格派で、玩具のデモではない。「ファンダメンタルズ+テクニカル+ニュース+センチメント」の 4 種類のアナリスト、Bull/Bear の 2 人のリサーチャー、トレーダー、リスクマネージャー(Risk Manager)を LangGraph のパイプラインとして明示的に编排している。実際に clone して動かしてみたので、仕組みと強みと落とし穴をまとめる。

何の課題を解くのか

LLM に「NVDA を買うべきか」と一度聞くだけでは、まともな答えは返ってこない。

実際の売買判断は次のような構造になる。

  • ファンダ派はバリュエーションを見る(P/E、キャッシュフロー、参入障壁)
  • テクニカル派はローソク足を見る(移動平均、RSI、支持線)
  • ニュース派は突発事象を見る(決算、マクロ、規制)
  • リスク派はポジションを削る(ドローダウン、ボラティリティ、相関)

この 4 者の結論は頻繁に食い違う。TradingAgents のアプローチは、これらの役割を独立した Agent に分解し、LangGraph の StateGraph で「誰が先に動くか」「誰と誰で議論させるか」「誰が決裁するか」「リスク管理はどう抑えるか」を明示的に编排する、というものだ。

向いている人:マルチ Agent のエンジニアリングを学びたい、玩具デモで満足できない開発者。向かない人:これをそのまま A 股(中国 A 株市場)で運用したい人、走らせれば儲かると期待する人。これは「意思決定プロセスの自動化」を解くフレームワークであって、「安定収益」を保証するものではない。

使い方

最小コード(README からそのまま抜粋)。

from tradingagents.graph.trading_graph import TradingAgentsGraph
from tradingagents.default_config import DEFAULT_CONFIG

config = DEFAULT_CONFIG.copy()
config["llm_provider"] = "openai"
config["deep_think_llm"] = "gpt-4o"
config["quick_think_llm"] = "gpt-4o-mini"
config["online_tools"] = True

ta = TradingAgentsGraph(debug=True, config=config)
state, decision = ta.propagate("NVDA", "2024-12-15")
print(decision)

# CLI の方が速い:python -m cli.main --ticker NVDA --date 2024-12-15

インストール、.env 設定、一行 CLI で動き出す。

注意点。

  • .env には OPENAI_API_KEY と ALPHA_VANTAGE_API_KEY が必須で、どちらも欠けられない
  • FINNHUB_API_KEY と REDDIT_* 系列も重要で、データソースが落ちると空回りする
  • CLI エントリは python -m cli.main、主要パラメータは --ticker、--date、--analysts(どのアナリストを起用するか)
  • --analysts を指定しないと全アナリストが起用され、1 回の実行で約 6〜10 分かかる

アーキテクチャの解説

中核は LangGraph の StateGraph で、CrewAI のような「ブラックボックス協調」でも AutoGen のような「グループチャット」でもない。全ノード、全エッジ、状態遷移をグラフ上に描き、可観測かつチェックポイントからの再開が可能になっている。

ノードは 4 種類に分かれる。

┌─────────────────────────────────────────────────┐
│  Analysts(並列実行)                          │
│  Fundamentals  Sentiment  Technical  News       │
└─────────────┬───────────────────────────────────┘
              ↓
┌─────────────────────────────────────────────────┐
│  Researchers(Bull vs Bear ディベート)         │
│  Researcher A が強気レポート、B が弱気レポート   │
└─────────────┬───────────────────────────────────┘
              ↓
┌─────────────────────────────────────────────────┐
│  Trader                                         │
│  強気/弱気の論点とアナリスト報告を総合し         │
│  最終売買指示を出す                             │
└─────────────┬───────────────────────────────────┘
              ↓
┌─────────────────────────────────────────────────┐
│  Risk Manager                                   │
│  リスク審査、不合格なら差し戻し再実行           │
└─────────────────────────────────────────────────┘

エンジニアリング上の細部が良い。

  • 状態がノード間で引き継がれ、各ステップでチェックポイントが切れる。落ちても中断地点から再開できる
  • Researcher フェーズは明示的なディベートで、単純な多数決ではない。Bull が強気根拠、Bear が弱気根拠を出してから統合する
  • Risk Manager は拒否権を持ち、Trader の結論がコンプライアンス違反なら差し戻される

このフローの詳細は論文 arXiv:2412.20138 に記述されている。

良い点/悪い点

良い点:

  • エンジニアリングの作り込みが本物。先読みバイアスのフィルタリング、グラフルーティングのクラッシュ復旧、LLM リトライ予算、チェックポイントレジュームなど、チュートリアルデモでは見えない本番レベルの課題に対応している
  • CHANGELOG.md と CI ゲートがあり、イテレーションの回転が速い。放置されたデモではない
  • arXiv 論文と 99k stars でコミュニティの信頼も十分
  • LLM プロバイダの対応が幅広い:OpenAI、Anthropic、Gemini、Groq、DeepSeek、Qwen、GLM、Ollama。中国国産モデルも組み込める
  • 役割分担はグラフにハードコードされているが、各ロールのプロンプトは調整可能

悪い点:

  • データソースが全部海外——Alpha Vantage、Yahoo Finance、Finnhub、Reddit で、A 股はほぼ使えない
  • LLM コストが無視できない。1 回の意思決定で数十回の呼び出し、token 消費は 100k〜200k オーダーで API 請求が目に見えて伸びる
  • 役割分担がハードコードされているため、自前のファクターを加えるにはグラフのソースを直接いじる必要があり、カスタマイズコストは低いとは言えない
  • 論文のバックテスト収益数字は実運用でほぼ再現不可能——これは「意思決定プロセスの自動化」を解くものであって、「安定収益」を保証するものではない

同類フレームワークの中での位置付け:AutoGen の金融デモより厳密、CrewAI より制御可能、単純なプロンプトチェーンより解釈性が高い。ただし既存の Quant プラットフォーム(Qlib、Backtrader)と比べると、バックテストと実運用のインタフェースが欠けている。

実際に試してみた

ローカルに clone し、.env(OPENAI + ALPHA_VANTAGE)を設定して以下を実行。

python -m cli.main --ticker NVDA --date 2024-12-15

4 アナリストすべてを選択した。

完走まで約 6 分、token 消費は約 120k(GPT-4o)。結果は少し面白かった。

  • アナリストチームが 4 つのレポートを出した
  • Bull/Bear ディベート後、結論は BUY
  • Trader も BUY で総合
  • Risk Manager が HOLD と差し戻し
  • 最終執行は HOLD

つまり、議論は議論として成立しつつ、リスク管理には最終的な拒否権がある。

ハマった点。

  • 1 回目は Alpha Vantage のレート制限で停止——無料版は 5 calls/min、1 回の意思決定で必要なツール呼び出しはこれを超える
  • 2 回目はグラフルーティングが異常終了、チェックポイントレジュームでようやく復旧

結論:完走するし、エンジニアリングは期待以上にしっかりしているが、out-of-the-box で儲かるとは思わない方がいい。これは「意思決定補助」であって「自動印刷機」ではない。

誰が使うべきか

向いているケース:

  1. マルチ Agent の実運用エンジニアリングを学びたい開発者。LangGraph のこの编排は、チュートリアルの CrewAI デモよりずっと奥が深い
  2. クォンツ研究で、LLM を意思決定プロセスに組み込んで説明可能な出力を得たいチーム
  3. Agent フレームワークの比較研究をしている人

向かないケース:

  1. そのまま A 股で運用したい——データソースが対応していない
  2. 走らせれば儲かると期待している——意思決定補助であって、聖杯ではない
  3. グラフのソースを自分で書き換える覚悟がない——カスタマイズコストは無視できない

すでに自前のファクターライブラリがあって、それを意思決定フローに組み込みたいなら、グラフにノードを足せばいい。何もいじらずに金だけ稼ぎたいなら、このフレームワークには手を出さない方がいい。

参考

出典: https://github.com/TauricResearch/TradingAgents