TradingAgents：一个多智能体交易系统

TradingAgents是什么？

TradingAgents是加州大学洛杉矶分校和麻省理工学院开发的一个金融交易框架，通过分析、讨论和决策来确定股票的买卖时机。系统包含分析师、研究员、交易员和风险管理员等角色，综合考虑财务数据、市场情绪、新闻报道等多方面信息，各角色间通过动态讨论形成全面且合理的决策。例如，部分角色可能认为某股票值得买入，而另一些则认为存在风险，他们通过辩论来达成最佳决策。

用户可根据自身交易风格和目标，自定义策略，调整各角色行为，甚至添加新角色或功能模块。系统支持实时获取最新市场数据，也兼容缓存数据。TradingAgents基于LangGraph构建，实验中采用o1-preview和gpt-4o模型分别用于深度思考和快速思考任务。

TradingAgents核心特点

• 多角色分工：这个框架里有各种角色，比如基本面分析师、情绪分析师、新闻分析师、技术分析师、研究员、交易员和风险经理等。每个角色都有自己的任务和工具，大家一起合作完成交易。

• 基本面分析师：看公司的财务报表和行业趋势，找出被低估或高估的股票，判断长期投资价值。

• 情绪分析师：分析新闻、社交媒体和市场情绪，预测投资者行为对股价的短期影响。

• 新闻分析师：关注新闻和宏观经济指标，找出可能影响市场的重大事件。

• 技术分析师：研究历史价格和技术指标，预测未来价格走势，确定交易时机。

• 研究员：团队里有看多和看空的成员，通过辩论评估投资风险和收益。

• 交易员：根据分析结果和风险偏好，执行交易决策。

• 风险经理：实时监控风险，调整策略，确保交易在设定的风险范围内。

• 沟通方式：结合结构化输出和自然语言对话，避免信息丢失，提高决策效率。

TradingAgents技术原理

• 多代理协作：多个智能代理各司其职，同时又能相互协作。

• 任务分解：把复杂的交易任务拆分成多个小任务，每个角色负责一部分。

• 自然语言处理：利用LLM处理文本数据，支持代理之间的交流和决策解释。

• 数据融合：结合结构化和非结构化数据，挖掘更多有价值的信息。

• 动态决策：根据市场变化实时调整策略，优化表现。

TradingAgents主要功能

• 数据收集与分析：收集多种市场数据，为交易决策提供支持。

• 角色专业化：不同角色处理不同任务，提高决策的科学性。

• 代理辩论与决策：通过辩论形成全面的交易策略。

• 风险控制与管理：实时监控风险，确保交易符合风险设定。

• 可解释性与透明度：用自然语言记录决策过程，方便理解和优化。

实验结果

TradingAgents在累计回报、夏普比率等指标上表现优异，累计收益比传统策略至少高出6.1%，最大回撤控制在2%左右，风险控制得很好。

TradingAgents应用场景

• 量化交易：实时生成买卖信号，帮助量化交易员快速决策。

• 资产管理：提供动态资产配置建议，优化投资组合。

• 个人投资：为个人投资者提供投资建议，帮助识别机会和风险。

• 金融研究：为分析师提供市场洞察，支持研究报告撰写。

• 风险投资：帮助评估企业的财务健康和成长潜力，降低投资风险。

项目地址

官网：https://tradingagents-ai.github.io/

GitHub仓库：https://github.com/TradingAgents

技术论文：https://arxiv.org/pdf/2412.20138