框架

TradingAgents 完整解析:多 Agent 如何聯手做出交易決策

這個斬獲 99k stars 的金融多 Agent 框架,以 LangGraph 將分析師、研究員、交易員與風控串成一條生產線。程式碼確實能跑,坑也確實不少。

字級

GitHub 上的 TauricResearch/TradingAgents 專案坐擁 99k stars,絕非玩具等級的 demo。它把「基本面+技術面+新聞+情緒」四類分析師、看多/看空兩位研究員、一位交易員、一位風控角色(Risk Manager),以 LangGraph 顯式編排成一條流水線。我把程式碼 clone 下來實跑一輪,聊聊它的運作邏輯、紮實之處與踩雷點。

它解決什麼問題

直接叫 LLM「分析 NVDA 該不該買」,輸出結果基本上沒法用。

真實的交易決策長這樣:

  • 基本面派看估值(P/E、現金流、護城河)
  • 技術派看 K 線(均線、RSI、支撐位)
  • 新聞派看突發事件(財報、總體經濟、監管動態)
  • 風險派要砍倉位(回撤、波動、相關性)

這四派的結論經常互相打架。TradingAgents 的解法是:把這些角色拆成獨立的 Agent,用 LangGraph 的 StateGraph 顯式編排誰先跑、誰跟誰吵、誰拍板、風控怎麼兜底。

適合的對象:想學多 Agent 工程化、不想只跑玩具 demo 的開發者。不適合的對象:想直接拿來炒台股或 A 股、或指望跑完就賺錢的人——它解決的是「決策流程自動化」,不是「穩賺」。

怎麼使用

最簡化的程式碼(直接從 README 摳出來,不是我自己掰的):

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

裝套件、設定 .env、一行 CLI 就能跑起來。

需要注意:

  • .env 裡必須有 OPENAI_API_KEY 和 ALPHA_VANTAGE_API_KEY,兩個都不能少
  • FINNHUB_API_KEY 和 REDDIT_* 也相當關鍵,斷了資料源會直接空跑
  • CLI 入口 python -m cli.main,重點參數 --ticker、--date、--analysts(選擇哪些分析師上場)
  • --analysts 不傳預設全部上場,跑一次大約 6 到 10 分鐘

它如何運作(架構)

核心是 LangGraph 的 StateGraph,不是 CrewAI 那種「黑盒協作」,也不是 AutoGen 那種「群聊」。所有節點、邊、狀態流轉都在圖上畫得一清二楚,可觀察、可斷點續跑。

節點分四類:

┌─────────────────────────────────────────────────┐
│  Analysts(並行)                              │
│  Fundamentals  Sentiment  Technical  News       │
└─────────────┬───────────────────────────────────┘
              ↓
┌─────────────────────────────────────────────────┐
│  Researchers(Bull vs Bear 辯論)               │
│  研究員 A 出看多報告,研究員 B 出看空報告       │
└─────────────┬───────────────────────────────────┘
              ↓
┌─────────────────────────────────────────────────┐
│  Trader                                         │
│  綜合多空觀點 + 分析師報告,出最終交易指令       │
└─────────────┬───────────────────────────────────┘
              ↓
┌─────────────────────────────────────────────────┐
│  Risk Manager                                  │
│  風控審核,過不了回退重跑                       │
└─────────────────────────────────────────────────┘

幾個做得不錯的工程細節:

  • 狀態在節點間流轉,每一步都可 checkpoint,掛了能從斷點續跑
  • Researcher 階段是顯式辯論,不是簡單投票——Bull 出看多理由,Bear 出看空理由,然後再彙整
  • Risk Manager 擁有否決權,Trader 的結論不合規會被打回

論文 arXiv:2412.20138 對這套流程有完整的描述。

它的優缺點

優點:

  • 工程細節是真的。前視偏差過濾、graph 路由崩潰恢復、LLM 重試預算、checkpoint resume——這些都是生產等級的痛點,絕非教學 demo 看得到的東西
  • 有 CHANGELOG.md 與 CI gate,迭代節奏快,不是 demo 級專案
  • arXiv 論文背書加上 99k stars,社群認可度夠
  • LLM provider 支援很齊:OpenAI、Anthropic、Gemini、Groq、DeepSeek、Qwen、GLM、Ollama 都行,開源模型也能塞進去
  • 角色分工寫死在 Graph 裡,但每個角色的 prompt 可調

缺點:

  • 資料源全在海外——Alpha Vantage、Yahoo Finance、Finnhub、Reddit,台股或 A 股基本上沒辦法用
  • LLM 成本不低。跑一次完整決策要幾十次呼叫,token 消耗落在 100k 到 200k 級距,API 帳單肉眼可見
  • 角色分工寫死,想加自己的因子得改 Graph 源碼,客製化成本不低
  • 論文裡的 backtest 收益數字實盤幾乎不可能重現——它解決的是「決策流程自動化」,不是「穩賺」

與同類工具的定位比較:比 AutoGen 的金融 demo 嚴謹,比 CrewAI 可控,比純 prompt chain 可解釋,但比現成的量化平台(Qlib、Backtrader)缺少回測與實盤介面。

實測紀錄

本地 clone,設定 .env(OPENAI + ALPHA_VANTAGE),接著:

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

四個 analyst 全選。

完整跑完一次約 6 分鐘,token 消耗約 120k(GPT-4o)。結果頗有趣味:

  • Analyst 團隊產出 4 份報告
  • Bull/Bear 辯論後建議 BUY
  • Trader 綜合出 BUY
  • Risk Manager 給出 HOLD
  • 最終執行 HOLD

換言之,辯論歸辯論,風控有權否決。

踩坑紀錄:

  • 第一次卡在 Alpha Vantage rate limit——免費版 5 calls/min,完整決策呼叫的工具遠超這個數字
  • 第二次 graph 路由異常退出,靠 checkpoint resume 才救回來

結論:能跑通,工程面比預期紮實,但別指望 out-of-the-box 就賺錢。它是「決策輔助」,不是「印鈔機」。

誰適合用

適合:

  1. 想學多 Agent 真實工程化的開發者,LangGraph 這套編排比教學裡的 CrewAI demo 強太多
  2. 做量化研究、需要把 LLM 嵌入決策流程產出可解釋內容的團隊
  3. 做 Agent 框架對比研究的人

不適合:

  1. 想直接拿來炒台股或 A 股——資料源不支援
  2. 期望跑完就賺錢——它是決策輔助,不是聖杯
  3. 不願意自己改 Graph 源碼的——客製化成本不低

如果你已經有自己的因子庫、想把它嵌入決策流程,改 Graph 加節點就行。如果你什麼都不想改只想賺錢,別碰這個。

參考資料

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