前段时间麻省理工学院推出了一款开源的AI金融股票交易智能体——TradingAgents，它被誉为“史上最强股神”，引发了广泛关注。这个多智能体交易框架模拟真实交易公司的运作模式，整合了基本面分析、情绪分析、技术分析等多个专业角色，通过动态讨论和协同决策，能够精准洞察市场趋势并制定交易策略。本文将详细介绍TradingAgents的架构、技术亮点以及如何本地部署，带你一探究竟，了解AI如何在复杂的金融市场中大展身手。

最近的金融领域信息层出不穷，稳定币，Circle等让人眼花缭乱。在瞬息万变的金融市场中，跟我一样，每个人都希望有一位能够精准洞察市场趋势、辅助做出明智决策的强大的AI。今天他来了，由麻省理工学院参与推出的开源项目——TradingAgents，开源即王炸，堪称目前最强大的AI金融股票交易智能体。

如图所示，目前star已经达到5000多

项目开源地址： https://github.co m/TauricResearch/TradingAgents

智能体架构

TradingAgents是一个模拟真实交易公司运作模式的多智能体交易框架。通过部署专业化的LLM驱动智能体——从基本面分析师、情绪分析师、技术分析师，到交易员、风险管理团队，平台能够协同评估市场状况并制定交易决策。这些智能体还会通过动态讨论来确定最优策略。

TradingAgents框架仅供研究用途。交易表现可能因多种因素而异，包括所选基础语言模型、模型温度参数、交易时段、数据质量及其他非确定性因素。本框架不构成财务、投资或交易建议。

该框架将复杂交易任务分解为专业角色，确保系统采用稳健、可扩展的市场分析和决策方法。

1、分析师团队

• 基本面分析师：评估公司财务和绩效指标，识别内在价值和潜在风险信号
• 情绪分析师：运用情绪评分算法分析社交媒体和公众情绪，研判短期市场情绪
• 新闻分析师：监测全球新闻和宏观经济指标，解读事件对市场状况的影响
• 技术分析师：利用MACD、RSI等技术指标识别交易模式并预测价格走势

2、研究团队

研究团队由秉持不同观点的看涨研究员和看跌研究员组成。他们如同辩论场上的正反双方，通过严谨的结构化辩论，充分权衡投资的潜在收益与潜在风险，有效避免了单一视角可能带来的局限性。

• 看涨研究员积极挖掘市场中的有利因素，例如行业发展机遇、公司创新成果等，构建支持投资的逻辑；
• 而看跌研究员则敏锐地捕捉潜在的风险信号和不利因素，例如宏观经济下行压力、公司竞争劣势等，并提出相应的风险警示。

3、交易员智能体

交易员智能体如同经验丰富的交易员，能够综合分析师团队提供的丰富信息和研究员团队的深入探讨，制定出切实可行的交易策略。他们在决策过程中充分权衡风险与收益，精确把握交易时机、规模和方向，力求实现交易回报的最大化。

当市场出现符合预设交易条件的信号时，交易员智能体会迅速下达买入或卖出指令，并根据市场的实时变化灵活调整投资组合的配置。

4、风险管理与投资组合经理

在充满不确定性的金融市场中，风险管理至关重要。风险管理团队如同坚固的风险控制防线，实时监控持仓情况与市场波动，并通过设置止损订单等手段，严格控制投资风险。

他们持续评估投资组合的风险状况，确保所有交易活动都在预先设定的风险参数范围内进行，同时遵守相关的监管要求，从而有效地保护投资者的资产安全。

例如，当某只股票的价格出现显著下跌，并接近预设的止损价位时，风险管理团队会及时提醒交易员智能体采取相应的应对措施，以最大限度地减少潜在损失

三、技术亮点

LangGraph驱动的灵活工作流

TradingAgents采用先进的工厂模式来创建智能体。这种灵活的设计模式使得系统能够根据不同的需求，轻松配置各种LLM模型，例如GPT-4、o1-preview等。

同时，系统还支持选择实时市场数据或历史缓存数据作为分析的数据来源，并允许用户自由设定辩论的轮次，从而能够完美地适应各种复杂多变的金融交易场景。。

多模态数据深度融合

该系统具备强大的多模态数据融合能力，能够有效地整合结构化数据（如财务报表、交易数据）与非结构化文本数据（如新闻报道、社交媒体信息）。

通过先进的LLM技术，系统能够从这些复杂且多样化的数据中精准地提取关键信息，从而显著提升市场预测的准确性。

以一家上市公司为例，系统可以同步分析其财务报表中的关键数据、相关新闻报道中的文本内容以及社交媒体上投资者的讨论和观点，从而全面综合地判断该公司的发展态势和市场预期，为最终的投资决策提供更为全面和准确的依据。

动态决策与持续反馈优化

智能体在TradingAgents系统中并非僵化地执行预设的任务，而是能够根据市场的实时变化快速调整其策略。

此外，通过引入回测奖励机制，系统能够不断优化模型参数，形成一个闭环学习的良性循环。

例如，当市场行情发生剧烈波动等突发变化时，交易员智能体可以立即调整其交易策略，风险管理团队也能够相应地调整风险控制措施。

而创新的回测奖励机制则会基于历史交易数据和实际市场表现，对模型的各项参数进行持续优化，从而使系统在未来的交易中能够做出更加明智和合理的决策。

本地部署

安装步骤 克隆TradingAgents仓库：

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

使用您喜欢的环境管理工具创建虚拟环境：

conda create -n tradingagents python=3.13 conda activate tradingagents

安装依赖项：

pip install -r requirements.txt

必要API 需要FinnHub API获取金融数据，所有代码均兼容免费套餐：

export FINNHUB_API_KEY=$YOUR_FINNHUB_API_KEY

所有智能体运行需要OpenAI API：

export OPENAI_API_KEY=$YOUR_OPENAI_API_KEY

命令行使用 可直接运行CLI：

python -m cli.main

界面将显示可选参数：股票代码、日期、LLM模型、研究深度等

运行时会实时显示加载结果，可追踪智能体执行进度