TradingAgents 部署教程：无 GPU 环境下的多智能体 LLM 金融交易框架实操指南

TradingAgents 部署教程：无 GPU 环境下的多智能体 LLM 金融交易框架实操指南

【免费下载链接】TradingAgents-AI.github.ioTradingAgents: Multi-Agents LLM Financial Trading Framework项目地址: https://gitcode.com/GitHub_Trending/tr/TradingAgents-AI.github.io

TradingAgents 是一个由 LLM 驱动的多智能体金融交易框架，通过模拟真实交易公司的组织分工——基本面分析师、情绪分析师、新闻分析师、技术分析师、多空研究员、交易员与风控团队——让多个角色化智能体协作完成从数据采集、观点辩论到交易执行的全流程决策。框架本身不依赖本地模型推理，所有智能体调用外部 LLM API，因此在无 GPU 的普通开发机上即可完成部署与回测验证，这对希望复现其研究结论或在其架构上做二次开发的开发者来说，是一个较低的入门门槛。项目论文已被 AAAI 2025 MARW Workshop 收录。

多智能体角色分工与协作机制

在动手部署之前，先理解系统的组织方式，有助于判断它适合什么任务。TradingAgents 的核心设计是把"交易决策"这一复杂目标拆分为七个职责明确的智能体角色，每个角色配有独立的名称、目标、约束条件以及定制化的工具集，全部基于 ReAct 提示框架运行。

分析师团队负责并行采集与整理四类市场信息：基本面分析师分析财报、盈利报告与内部人交易以评估内在价值；情绪分析师处理社交媒体帖子与情绪评分；新闻分析师跟踪新闻事件与宏观指标；技术分析师计算 MACD、RSI、布林带等技术指标并分析价格形态。四个角色的产出汇总为一份覆盖多源信息的市场全景分析，作为下游环节的输入。

研究员团队采用辩论机制：看多与看空两名研究员基于分析师报告展开多轮自然语言交锋，由协调智能体决定轮次并裁定最终占优的观点，以此对冲单一视角带来的偏差。研究员与风控团队的讨论结论都会以结构化条目写回全局状态。

交易员智能体综合辩论结果与历史数据，决定交易时机、仓位大小与买卖方向，并生成附带推理依据的决策报告。风控团队则从风险偏好、中性、风险保守三个视角审视该决策，在既定风险约束内调整交易计划，最后由基金经理审批并执行。

值得注意的是其通信协议设计：分析师与交易员之间传递的是结构化报告而非自由对话，只有研究员辩论与风控讨论保留自然语言形式。这种混合方式降低了长对话中常见的信息失真问题，也便于对每一步决策进行审计与调试——每个智能体的行为都附有自然语言解释和工具调用记录。

环境准备与首次运行

框架对硬件没有要求，依赖以 LLM API 调用为主，机器只需承载数据处理与回测脚本。

第一步：获取代码

git clone https://gitcode.com/GitHub_Trending/tr/TradingAgents-AI.github.io cd TradingAgents-AI.github.io

第二步：创建并激活 Python 虚拟环境

python -m venv venv source venv/bin/activate

第三步：安装依赖。依赖以 LLM 推理接口库和金融数据处理工具为主，具体清单可参考仓库 README 的说明，按文档版本一次性安装即可，无需逐包调试。

几点来自实测的经验：

• Python 建议 3.8–3.10 区间，过高的版本可能引发部分数据依赖的兼容问题；
• 内存 8GB 可以跑通单日回测，16GB 以上在多标的并行分析时余量更足；
• 预留约 10GB 磁盘用于行情与新闻数据缓存；
• 框架当前以源码与 API 两种形式逐步开放，部署前建议先阅读 README 确认最新的获取方式与接口说明。

回测数据解读

回测使用 2024 年 1 月至 3 月构建的多资产多模态数据集，覆盖历史股价、新闻、社媒情绪、内部人交易、财报与 60 项技术指标；交易模拟期为 2024 年 6 月 19 日至 11 月 19 日，智能体按日决策，仅使用截至当日的可用数据，排除了前视偏差。对比基线包括买入持有、MACD、KDJ&RSI、ZMR 均值回归与 SMA 双均线策略。

官方实验在 AAPL、GOOGL、AMZN 三只标的上的结果如下（CR 为累积收益率，ARR 为年化收益率，SR 为夏普比率，MDD 为最大回撤）：

标的	策略	CR%	ARR%	SR	MDD%
AAPL	买入持有	-5.23	-5.09	-1.29	11.90
AAPL	TradingAgents	26.62	30.5	8.21	0.91
GOOGL	买入持有	7.78	8.09	1.35	13.04
GOOGL	TradingAgents	24.36	27.58	6.39	1.69
AMZN	买入持有	17.1	17.6	3.53	3.80
AMZN	TradingAgents	23.21	24.90	5.60	2.11

几个可以关注的点：AAPL 区间内买入持有为负收益（-5.23%），而 TradingAgents 录得 26.62% 的累积收益，夏普比率 8.21；AMZN 上基准买入持有策略的夏普比率最高达 3.53，TradingAgents 的 5.60 仍保持优势。三组标的的最大回撤均低于 2.2%，在收益与风险控制之间取得了规则类策略难以兼顾的平衡——传统动量策略在 AAPL 上的回撤普遍在 3.6% 以上。

需要说明的是，该回测窗口较短且标的集中于大盘科技股，指标数值对区间选择较为敏感，复现时应结合自己的数据窗口重新评估，不宜直接外推为实盘收益预期。

配置要点与常见问题

模型分级配置。框架按任务复杂度分配底座模型：数据检索、摘要等浅层任务使用快速模型（如 gpt-4o-mini），深度分析、辩论与决策报告使用推理能力更强的深度思考模型（如 o1-preview 级别）。这种分级既控制 API 成本，也让各智能体节点可独立替换为本地托管或金融领域微调模型，替换逻辑集中在模型配置层，改动范围小。

并发与内存。多智能体并行分析是内存的主要消耗点，遇到 OOM 时优先减少同时运行的分析师数量，并开启数据缓存以避免重复拉取行情接口。

启动失败的排查顺序。先确认 Python 版本在 3.8–3.10 区间，再确认虚拟环境已激活、API 密钥已正确配置；若个别智能体节点输出异常，可直接检查该节点的结构化报告状态——由于通信走全局状态而非消息历史，单点问题不会沿对话链扩散，定位成本较低。

参考资料

项目后续计划包括接入实时数据流、扩展智能体角色与开放更多 API 接口，方向上值得持续关注。若你的研究使用了 TradingAgents，可引用以下文献：

@article{xiao2024tradingagents, title={TradingAgents: Multi-Agents LLM Financial Trading Framework}, author={Xiao, Yijia and Sun, Edward and Luo, Di and Wang, Wei}, journal={arXiv preprint arXiv:2412.20138}, year={2024} }

如果你已完成环境搭建，建议先用官方回测数据集复现 AAPL 上的基准结果，确认全流程跑通；随后可以替换某个分析师节点的工具集或调整辩论轮次，观察对夏普比率的影响，这是理解各模块贡献度的最直接方式。

【免费下载链接】TradingAgents-AI.github.ioTradingAgents: Multi-Agents LLM Financial Trading Framework项目地址: https://gitcode.com/GitHub_Trending/tr/TradingAgents-AI.github.io