智能体框架上手难度 🔧 进阶#量化交易#多智能体#金融#Agent 框架#投资分析
TradingAgents · 多智能体金融交易框架
GitHub 106k⭐：LLM 多智能体模拟真实交易公司，分析师/交易员/风控全角色协作决策
指标同步中，请稍后刷新查看 在 GitHub 查看源码
5 分钟上手
无需 GPU；需 LLM API 访问（推荐 GPT-4 级别模型）git clone https://github.com/TauricResearch/TradingAgents
cd TradingAgents && pip install -r requirements.txt
# 配置你的 LLM API Key 后运行
python run.py --ticker AAPL --mode backtest项目速览
TradingAgents 是 Tauric Research 团队（UCLA / MIT 等合作）开源的多智能体金融交易框架，在 GitHub 上拥有 106k+ Star。核心思路是让多个各司其职的 LLM 智能体完整模拟一家对冲基金的决策流程——基础分析师负责财报数据筛查，研究员深入基本面分析，交易员制定策略，风控员审核决策，外加多空分析师对抗式辩论环节，最后通过结构化投票收敛出稳健的交易决策。基于 LangChain 和 AutoGen 构建，数据源默认接 Yahoo Finance，支持历史回测与实时行情模拟。
能做什么
- 多智能体协作：分析师/研究员/交易员/风控/基金经理全角色覆盖
- 对抗式辩论：看多与看空分析师就同一标的辩论，交叉验证逻辑
- 回测与实盘模拟：支持历史数据回测与实时行情拉取
- 可扩展角色配置：可自定义智能体角色数量与决策权重
怎么部署
Python 项目，pip 安装依赖后配置 LLM API（支持 GPT-4 系列等 OpenAI 格式模型）和 Yahoo Finance 数据源即可运行。
适合谁
量化交易研究者、LLM Agent 开发学习者、有编程基础想用 AI 辅助基本面分析的个人投资者。
✅ 优点
- •106k+ Star 社区验证，多智能体协作框架设计成熟
- •模拟真实交易公司组织架构，决策流程完整可追溯
- •支持回测与实盘，兼顾研究与实践
⚠️ 局限与坑
- •不适用于日内高频交易场景
- •依赖外部 LLM API，推理成本随决策复杂度上升
- •金融交易涉及真实资金风险，AI 决策需谨慎对待
💼 典型应用场景
- 1.基本面驱动的中长线交易决策自动化
- 2.多智能体协作框架的学习参考
- 3.个人投资者的 AI 辅助研究工具
智能体框架· 同类项目推荐
返回全部开源项目指标每周自动更新，数据来自 GitHub API