原创 付奶茶 2025-06-30 13:11 北京
if/else 来触发买入卖出信号。测试几次，发现收益还不错，特容易兴奋上头。我很早之前也干过这事儿，但说实话没那么简单，市场一变，之前有效的策略可能立刻失效，得经常调整。写的那几十行脚本，在真实的市场面前，还是太单薄了。最近，我找到一个据说“神”到不行的“队友”，麻省理工学院（MIT）的一群研究者开源了一个叫 TradingAgents 的项目，它不是一个简单股票机器人，号称是目前最强大的 AI 金融股票交易智能体，在 GitHub 上的 Star 数已经突破 5000 大关，非常火爆。先不说它是一个 Agent，最牛的是它的战绩，比如在对苹果（AAPL）股票的模拟交易中，竟然跑出了 26.6% 的回报。这不妥妥“AI 股神”吗。最近我们聊 Agent 聊得很多，见证了太多简单的“单体 Agent”，前段时间我们发过一篇文章讨论“多智能体到底该不该建”，在充满不确定性和对抗性的真实世界任务中，从单体到多体是必然。这个开源项目 TradingAgents，也是基于多智能体协作框架，而且是选在金融这个最复杂、信息密度最高、反馈最残酷的领域。一起看看它咋做的。TradingAgents 是咋做到的TradingAgents 和传统的量化交易或单一 AI 模型的不同在于—“多智能体（Multi-Agent）”的 LLM 金融交易框架。传统的金融选股模型主要是训练一个 AI 模型进行技术分析，这些模型往往是“单兵作战”，缺乏真正的协同和决策能力。而 TradingAgents 则完美模拟了人类金融团队的运作模式，通过构建一个分工明确、协作紧密的智能体网络，实现了从“数据分析”到“策略制定”再到“风险管理”的全链条自动化。你可以把 TradingAgents 想象成一家顶级的投资公司，只不过里面的“员工”全都是由 AI 智能体扮演！每个智能体都拥有特定的专业知识和角色，能够进行动态讨论和协同决策。多智能体团队内部一共设定了四种角色的员工：不同视角的分析师团队这支团队类似公司的“千里眼”，洞察市场，这些分析师智能体被赋予了特定的观察和推理能力：基本面分析师： 评估公司财报，根据行业报告、宏观经济数据，推理出公司的内在价值变动趋势和潜在风险信号。情绪分析师： 实时监测社交媒体、新闻评论等，用情感评分算法捕捉市场的“风吹草动”。新闻分析师： 紧盯全球新闻和宏观经济指标，理解事件的深层影响，预测其对特定行业或股票的连锁反应。技术分析师： 运用 MACD、RSI 等专业指标，识别交易模式，并通过 LLM 的推理能力预测短期价格波动和可能的突破点。专门辩论的研究员这部分更有意思了！研究团队构建了一个独特的辩论团队，让不同观点的看涨研究员和看跌研究员进行结构化辩论：看涨研究员： 积极寻找市场中的利好因素，例如行业发展机遇、公司创新成果等，构建支持投资的逻辑，并提供论据支持。看跌研究员： 捕捉潜在的风险信号和不利因素，例如宏观经济下行压力、公司竞争劣势等，并提出反驳意见和风险警示。这种“正反方辩论”模式，强制智能体从两个方面进行深入思考，有效避免了单一视角可能带来的局限性，让决策更加全面和客观。操盘手交易员当分析师和研究员团队把“功课”做足后，就轮到交易员智能体出马了！交易员智能体的决策过程是一个复杂的强化学习过程，综合所有信息，制定出切实可行的交易策略。交易员智能体会综合考虑：市场深度和流动性： 决定交易规模，避免对市场造成不必要的冲击。风险偏好： 根据预设的风险敞口，调整交易激进程度。时间窗口： 精准把握交易时机，力求实现回报最大化。一旦市场出现符合预设交易条件的信号，交易员智能体就会迅速下达买入或卖出指令，并根据市场的实时变化灵活调整投资组合。风险管理团队在金融市场，风险控制永远是重中之重！研究团队构建了专门的风险管理智能体团队，实时监控持仓情况和市场波动，通过设置止损订单等手段，严格控制投资风险，利用价值风险（VaR）、条件风险值（CVaR）等量化风险指标，确保所有交易活动都在预设的风险参数范围内进行。例如，当某只股票的价格出现显著下跌，并接近预设的止损价位时，风险管理团队会及时提醒交易员智能体采取相应的应对措施，以最大限度地减少潜在损失。核心技术解密TradingAgents 的论文中详细阐述了几个关键的技术亮点：LangGraph 驱动的工作流TradingAgents 采用了先进的“工厂模式（Factory Pattern）”来创建智能体，结合 LangGraph 构建了动态工作流，让不同的 LLM 智能体之间进行有状态的对话和决策路径切换，形成智能体之间的“高速公路”。这种高度模块化和可配置的设计，使得系统能够：根据不同的金融场景，轻松配置各种 LLM 模型，例如 GPT-4、o1-preview 等，甚至可以集成本地部署的开源 LLM。支持实时市场数据或历史缓存数据作为分析来源。允许用户自由设定辩论轮次，完美适应各种复杂多变的金融交易场景。多模态数据融合：让 AI 看到“全景图”TradingAgents 具备强大的多模态数据融合能力。它能同时融合：结构化数据： 如财务报表、交易数据、宏观经济指标等。非结构化文本数据： 如新闻报道、社交媒体信息、公司公告等。从这些复杂且多样化的数据中精准提取关键信息，TradingAgents 能够记那些跨模态的关联分析，提升市场预测的准确性。动态决策与持续学习进化通过回测奖励机制可以根据市场的实时变化快速调整策略，实现持续学习进化。TradingAgents 构建了持续学习的决策链条：实时反馈： 根据实际的市场表现，接收到实时反馈。奖励信号： 成功的交易或有效的风险控制会生成正向奖励信号。模型优化： 这些奖励信号被用于持续优化 LLM 的提示、智能体间的交互规则，以及决策参数，形成一个闭环学习的良性循环。这就像一个经验丰富的交易员，在每一次交易中不断复盘、学习、成长！研究团队喂给了 TradingAgents 以下相关内容，包括：实时股价 & 60+ 技术指标（MACD、RSI 等）彭博/雅虎财经等专业新闻Reddit/推特社交情绪分析公司财报、高管交易数据宏观经济和政府政策更新然后将 TradingAgents 的表现与五大传统策略（比如“买入持有”、MACD 均线、KDJ+RSI 组合等）进行了对比。TradingAgents 平均碾压基线策略 6-24 个百分点。在模拟盘中高收益下最大亏损 (回撤) 仅 0.91%-2.11%，接近风控最强的保守策略； 收益风险比（夏普比率）高达 5.6-8.21（传统策略普遍 <3.5，超过 3 已是顶级水平）。部署方式看到这里，家人们是不是已经跃跃欲试，想让这个“AI 股神”在你的电脑上跑起来了？别担心，部署它并不复杂！克隆 TradingAgents 仓库：git clone https://github.com/TauricResearch/TradingAgents.git
cd TradingAgents
conda create -n tradingagents python=3.13
conda activate tradingagents
pip install -r requirements.txt
export FINNHUB_API_KEY=$YOUR_FINNHUB_API_KEY
export OPENAI_API_KEY=$YOUR_OPENAI_API_KEY
$YOUR_FINNHUB_API_KEY 和 $YOUR_OPENAI_API_KEY 为你的实际 API 密钥）3. 命令行使用：配置好 API 后，你就可以直接运行 CLI 了：python -m cli.main
