唐杰高徒打造龙虾投资军团！量化私募全线Agent，开源狂揽39k星

一个叫TradingAgents的开源金融框架，组了个🦞交易团队替你上钟了。

好家伙，投资版龙虾也来了。还是GitHub开源项目里最近高热高赞的那种。

一个叫TradingAgents的开源金融框架，组了个

交易团队替你上钟了。

GitHub上狂揽39k+ Star，Fork超7.2k，不知道的还以为是哪家量化私募把家底给捐了（doge）。

它的玩法很简单，在系统里设好几个专业角色协同干活，有基本面分析师、情绪分析师、技术分析师、研究员、交易员、风险管理师……

这些角色扒完信息、经过一番评估讨论之后，最终再一起拍板要不要交易。

框架支持多家主流模型API接入，OpenAI、Anthropic……统统能用！

基金经理、风控、交易员全配齐

这个框架来自Tauric Research团队，是一家专注于用AI做智能金融交易的科研技术公司。

创始人——TradingAgents的核心作者，肖易佳，本科毕业于清华大学，师从智谱发起人唐杰教授，现为UCLA计算机系博士生。

TradingAgents把复杂的交易拆成五个协作层：

• 分析师团队并行扒信息；
• 研究团队拿着数据来回讨论；
• 交易员基于讨论结果做决策；
• 风控照着市场现状再审一遍；
• 最后由基金经理签字执行。

每轮交易起手的是分析师团队，四个角色同时开工，从不同维度薅数据。

基本面分析师翻财报、盯盈利报告、扒内部交易记录，工具箱里预置了FinnHub接口，资产负债表、利润表、现金流量表一键拉取。

情绪分析师泡在社交平台和分析师评级里，用情绪评分算法给市场态度打分数，是FOMO冲顶，还是恐慌踩踏，量化得一清二楚。

新闻分析师扫全球宏观新闻、行业动态、政策事件，评估外部信息对资产价格的冲击方向与强度。

它还内置了时间分层逻辑，近3天的新闻权重最高，近10天次之，近30天垫底，也就是越近的消息，越当回事。

技术分析师直接调代码执行环境，RSI、MACD、布林带、EMA、ATR一顿算，再结合K线形态找支撑位、阻力位、趋势反转信号。

四个老哥各忙各的，最后把报告打包成一个信息包，扔给下一层研究团队。

研究团队专门设了多头研究员和空头研究员两个对立角色，一个看涨，一个看跌，对着同一份资产正式开辩。

两位都能访问分析师的全量报告，但立场截然相反。

多头猛吹成长性、低估值、利好催化剂；空头死磕风险因素、估值泡沫、潜在利空。

每一轮辩论都有固定回合结构，陈述、反驳、再陈述。

辩论轮数可以自己调——辩得越久，博弈越充分，结论越稳。

这套设计说白了就是模仿专业投研里的魔鬼代言人制度，逼着系统在下注之前，先把对立面翻来覆去锤一遍。

交易员不参与分析，也不参与吵架，但它会把多空双方的论点从头到尾看完，结合历史交易数据，做出最终的买入、卖出或持有判断，并且附上仓位建议和逻辑依据。

关键是，它的输出是结构化的带方向、强度、置信度、主要依据的完整报告。

这份报告，就是下一层风控审核的硬核输入。

风险管理团队盯着市场波动率、流动性风险、交易对手风险、组合敞口这些因子，对交易员的方案做独立审核。

如果风控觉得某笔交易风险超限，它可以要求交易员改方案，或者直接向基金经理提否决建议。

最后一关，是基金经理。它扮演的是最高审批人，综合风控评估报告和交易员决策，做最终裁定。

实验结果显示，TradingAgents在累积收益、夏普比率、最大回撤这些核心指标上，都明显优于基线模型。

当然也得提一嘴，这是个研究用途的框架，实际表现受骨干模型、模型温度、数据质量这些因素影响，不构成投资建议……别梭哈（doge）。

工程层面，TradingAgents用的是LangGraph有状态多智能体编排框架。

这个框架天然支持循环图和条件分支。

智能体之间的通信走的是结构化协议，这样下游智能体提取上游信息不靠猜，信息损耗小，行为可预测，调试起来也更方便。

数据接入层预置了FinnHub API集成，覆盖基本面数据、内部交易记录、分析师评级、新闻资讯，不过用户也可以自己换数据源

在模型使用上，TradingAgents搞了一套分层调度策略。

数据检索、信息整理这类手速活儿，交给快思考模型；深度分析、辩论论点生成、最终决策这类需要推理能力的，才调用深思考模型。

如何部署

那么如何上手部署呢？

先准备好两样东西，FinnHub和模型的API。

FinnHub的API是用来扒股票数据的，官网注册一下就能拿到，免费版就够用。

官方推荐用conda管理虚拟环境，把Python版本和依赖隔干净。

然后照着下面这几步走。

第一步，克隆仓库（或者直接下载项目压缩包），然后进入项目目录：

git clone https://github.com/TauricResearch/TradingAgents.git

cd TradingAgents

第二步，创建并激活conda虚拟环境:

conda create -n tradingagents pythnotallow=3.13conda activate tradingagents

第三步，安装依赖：

pip install -r requirements.txt

第四步，配置API Key:

export FINNHUB_API_KEY=$YOUR_FINNHUB_API_KEY

export OPENAI_API_KEY=$YOUR_OPENAI_API_KEY

第五步，启动CLI：

python -m cli.main

启动后会弹出一个交互界面，可以选择目标股票代码、分析日期、LLM提供商、研究深度这些参数。

如果想当成代码包集成进自己的项目：

三行核心代码，propagate()直接返回决策结果，辩论轮数、LLM选择这些参数都能在配置文件里随便调。

同一团队目前还在推进Trading-R1研究，这是专为金融交易打造的大模型，在英伟达标的上实现了8.08%的累计收益。

这下你还“亲自盯盘”吗……当然了，亏钱了可别找AI（doge）。

项目地址：https://github.com/TauricResearch/TradingAgentsTradingAgents

论文：https://arxiv.org/abs/2412.20138Trading-R1

论文：https://github.com/TauricResearch/Trading-R1