Python TradingAgents 多智能体 LLM 金融交易框架

用量化思路做交易，传统做法是写死因子和规则；而想让 LLM 参与决策，单靠一个『万能提示词』又很难覆盖调研、风控、组合管理的分工。金融场景下，分工与可追溯尤其重要。
TradingAgents 是一个基于多智能体（Multi-Agent）的 LLM 金融交易框架。它把研究、分析、交易、风控拆成不同角色的智能体协作，并支持回测与多模型分层配置，论文与方法均有公开依据。

项目基本信息

一、项目介绍

TradingAgents（TradingAgents: Multi-Agents LLM Financial Trading Framework），多智能体 LLM 金融交易框架。它把相关能力封装成开箱即用的形态，让开发者无需从零搭建即可直接落地，下文从优势、场景到安装使用逐一展开。

二、核心优势

• 多智能体分工：研究、分析、交易、风控各司其职
• 支持回测，决策按收盘结算，便于评估
• 每层可用不同模型，经理与分析可分开配置
• 源自公开研究，社区活跃、多语言文档

三、适用场景

• 想用 LLM 做金融研究与模拟交易的研究者
• 需要可解释、分工清晰的交易决策流程
• 量化团队做 Agent 化策略探索

四、安装教程

使用 pip 安装：

pip install tradingagents

运行需要配置 LLM API Key。常见报错：ModuleNotFoundError: tradingagents。确认 pip 安装成功且 Python 环境一致；建议在虚拟环境中安装以避免依赖冲突。

五、使用示例

安装并配置好 Key 后，可直接运行框架进行一轮交易决策：

python -m tradingagents --ticker AAPL --cash 100000

输入：指定标的（如 AAPL）与初始资金。
输出：多个智能体依次完成调研、分析与风控，最终给出带依据的交易决策与组合调整建议（模拟环境，非真实下单）。

六、常见问题

问：能直接实盘下单吗？

答：框架定位是研究/模拟与决策辅助，实盘需自行接入券商，并充分评估风险。

问：支持哪些模型？

答：支持常见 LLM，并可对不同层（经理/分析师）配置不同模型以平衡成本与质量。

七、总结

TradingAgents 把金融交易决策拆成多智能体协作，适合做可解释、可回测的 LLM 交易研究，但请务必在模拟环境验证后谨慎对待实盘。