把华尔街交易室搬进代码：TradingAgents模拟真实交易公司决策链
量化交易系统最大的困境在于：传统模型擅长处理数字，却读不懂新闻标题里的弦外之音，也抓不住Reddit论坛上的情绪波动。TradingAgents试图用多智能体架构解决这个问题——它不依赖单一模型做交易决策，而是模拟了一家真实交易公司的分工协作流程。
该项目由TauricResearch团队开发，对应论文由Yijia Xiao、Edward Sun、Di Luo和Wei Wang共同撰写，已在arXiv发布（编号2412.20138）。项目在GitHub已获81,700颗star，采用Apache 2.0开源许可证，当前版本为v0.2.5。
四个分析师、两个研究员、一个交易员和风控团队
框架的核心设计是对真实交易公司的角色复刻。基本面分析师评估公司财务数据和业绩指标，识别内在价值和潜在风险。情绪分析师聚合新闻标题、StockTwits和Reddit上的讨论，判断短期市场情绪。新闻分析师监控全球新闻和宏观经济指标。技术分析师则使用MACD、RSI等技术指标发现交易模式。
分析团队输出的信息交给研究员团队处理。研究员分为看多和看空两组，通过结构化辩论来权衡收益与风险。这种设计巧妙地对抗了AI模型常见的”单一倾向”问题——不让一个模型既看涨又看跌，而是让不同立场的智能体充分交锋。
辩论结果汇总给交易员智能体，由它决定交易的时机和规模。最后还有风险管理团队评估市场波动性和流动性，投资组合经理做最终审批。整套流程走完，一笔交易建议才算成型。
多模型支持与持久化决策记忆
TradingAgents基于LangGraph构建，支持几乎所有主流大模型提供商：OpenAI（GPT-5.x）、Google（Gemini 3.x）、Anthropic（Claude 4.x）、xAI（Grok 4.x）、DeepSeek、通义千问、智谱GLM、MiniMax、OpenRouter，甚至可以通过Ollama接入本地模型。
一个有意思的特性是”决策日志”。每次分析完成后，系统会将决策追加到本地记忆文件中。下次分析同一只股票时，会自动获取上次的实际回报率，生成一段反思，并把历史决策注入投资组合经理的提示词里。相当于这个系统会从自己过去的判断中学习。
市场覆盖方面，支持美股、港股（0700.HK）、日股（7203.T）、伦敦（AZN.L）、A股（600519.SS）、加密货币（BTC-USD）等全球市场，通过Yahoo Finance获取数据。
多智能体辩论机制才是这个项目的真正价值
TradingAgents最大的贡献不在于交易本身——论文明确声明这是研究工具而非投资建议。它的价值在于展示了一种可行的多智能体协作模式：用角色分工和结构化辩论来弥补单一模型的判断盲区。
看多和看空研究员的对辩设计尤其值得其他领域借鉴。让AI从不同立场出发进行对抗性分析，比让一个模型”综合考虑”要有效得多。不过框架也有明显局限：实时数据源（特别是社交媒体）会随时间变化，同一天的两次分析可能得到不同结果；推理模型的非确定性采样进一步放大了这种波动。项目文档坦诚地指出，这不应被视为可复现的交易策略，而是一个研究多智能体分析方法的实验平台。
