TradingAgents多智能体 LLM 金融交易框架7 个 AI 角色协作回测跑赢 5 类经典策略【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你想判断一只股票该不该买得同时看财报、新闻、市场情绪和技术图形——一个人查完就累了查完还容易只相信自己愿意相信的那一面。把问题抛给单个大模型直接要买还是卖结论往往一个视角还说不清依据。TradingAgents 就是为解决这个问题而生的多智能体 LLM 金融交易框架它模拟一家真实交易公司的分工让基本面分析师、多空研究员、交易员、风控等 7 个 AI 角色各管一摊通过辩论和层层复核产出交易决策。项目速写TradingAgents 到底是什么TradingAgents 是一个面向股票交易决策的多智能体 LLM 框架由 UCLA 与 MIT 的研究团队完成适合想对个股做系统性分析的研究者和普通投资者。它的核心卖点是团队化四个分析师并行收集信息多空研究员正反辩论交易员拍板风控团队和基金经理做最后把关。论文明确指出整套系统通过 API 调用大模型即可运行无需 GPU且每个决策都附带自然语言推理方便回溯和调试。跑起来克隆仓库并打开项目主页先说清一点这个仓库当前是项目的官方主页纯静态站点框架源码计划以源代码或 API 形式发布README 中的官方更新说明。所以下一步很明确——克隆下来打开主页把框架架构和回测数据读完git clone https://gitcode.com/GitHub_Trending/tr/TradingAgents-AI.github.io cd TradingAgents-AI.github.io然后用浏览器打开目录里的 index.html双击或挂一个本地静态服务都可以。想真正跑交易策略要等官方源码或 API 放出别被各种一键部署教程带偏。它凭什么好用把一次决策变成一场投委会整套机制可以理解成让一群大模型开了一场投委会流程分五步分析师团队基本面、情绪、新闻、技术四个分析师并行收集市场信息像研究部门的晨会每人汇报自己的条线。研究员团队多头研究员只找看多证据空头研究员只挑风险双方辩论让机会和风险都摆上台面。交易员综合辩论结论与历史数据决定交易方向、时机和仓位。风控团队对照当前市场波动与持仓敞口对交易方案做风险会审。基金经理最终批准通过才执行。两个设计细节值得留意。一是沟通方式角色之间大部分传递的是结构化报告而非闲聊长链路协作中信息损失小只有研究员辩论和风控评议这两个需要来回交锋的环节才用自由对话。二是模型分层取数据这种活交给响应快、成本低的模型深度分析和最终决策交给推理更强的模型——这正是它能不依赖 GPU、控制成本的关键。关键设计与调优最影响体验的 3 个机制骨干模型分配对成本和效果影响最大的参数。取数用快模型、分析决策用深思考模型的分层要配置得当全程用同一个顶级模型会又贵又慢。风控把关的松紧风控团队和基金经理两道复核决定了最终决策偏进取还是偏稳健。想要回撤小就给这两环更高的否决权重想要收益弹性则收紧它们的干预范围。数据源的完整性官方回测用了股价、新闻、社交情绪、内部人交易、财报、技术指标六类多模态数据。自己复现时数据齐不齐对结果的影响往往比换哪个模型更大。效果实测6 个月回测里的真实数据论文回测覆盖 2024 年 6 月至 11 月标的为 AAPL、GOOGL、AMZN按日决策且不使用未来信息对照买入持有、MACD、KDJRSI、ZMR、SMA 五类基线。核心结果如下策略AAPL 累积收益GOOGL 累积收益AMZN 累积收益买入持有-5.23%7.78%17.10%TradingAgents26.62%24.36%23.21%AAPL 上夏普比率达 8.21最大回撤仅 0.91%相比表现最好的基线累积收益分别提升约 24.57、16.58、6.10 个百分点。需要客观看待以上是特定区间2024 年 6-11 月、特定数据源下的回测数字历史表现不代表未来收益实盘执行还会受滑点、API 延迟等额外因素影响。避坑速查3 个容易踩的坑以为克隆本仓库就能跑回测——仓库是官方主页框架代码/API 尚未放出动手前先确认 README 里的更新说明。低估 API 调用量——每次交易决策是多轮、多角色的大模型调用用量远超单次问答。建议先用快模型、单只股票小步试跑盯着配额和账单。把回测数字当投资建议——回测区间和数据源都是固定的换个时间段或数据结果会波动它是个研究工具不是印钞机。写在最后TradingAgents 的价值在于证明把单模型一票决定拆成分工 辩论 风控复核的团队流程多智能体在交易场景里是能跑出更好结果的结构。建议你先读完主页的架构与实验部分源码放出后即可用自己关注的股票和数据做首次回测。引用提示本项目源自论文 TradingAgents: Multi-Agents LLM Financial Trading FrameworkarXiv:2412.201382024AAAI 2025 MARW Workshop。【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创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考