⁵

拆解 GitHub 趋势榜 TradingAgents：多 Agent 辩论架构与本地运行实测

不会喷火的小火龙

2026-09-12 15:36

阅读483

不会喷火的小火龙

2026-09-12 15:36

阅读 483

大家好，我是不会喷火的小火龙。今天我们来拆解一个最近频繁登上GitHub趋势榜开源的多智能体金融量化交易全流程框架。

在平常让大模型直接分析股票，往往会得到一份四平八稳的研报。但在真实交易里，单向叙事暗藏风险：只要挑选不同的技术指标或新闻切片，无论看多还是看空都能写出逻辑自洽的分析。金融决策要在信息不对称下权衡概率与风险，并不存在现成的标准答案。

一、为什么单一 Prompt 难以胜任金融决策

用大模型做交易策略和财报分析的尝试很多，但单一 Prompt 很容易陷入确认偏误（Confirmation Bias）。当系统接收到偏多的技术指标时，倾向于给出顺势做多的结论；当面对负面宏观数据时，又很容易偏向防守。提示词再长，也很难在同一个上下文内保证对抗立场的客观性。

机构投研流程的设立，初衷就是利用角色分权来暴露漏洞。技术面与基本面关注的周期不同，情绪面与宏观面各有噪音。多空研究员各执一词，风控团队负责收紧止损，最终由投资经理做出权衡。TradingAgents 的核心思路就是将这套博弈逻辑转化为状态图上的确定性流程。

传统量化或对冲基金在做投资决策时，通常会有分工明确的角色：收集数据的分析师、互相挑刺的多空研究员、评估尾部风险的风控部门，以及拍板的投资经理。TradingAgents（论文 arXiv:2412.20138）把这套组织结构搬进了多智能体系统。项目开源后一度登上 GitHub 趋势榜，收获了 7000 多 Star。它的价值不仅在于生成金融研报，也在于为复杂决策型 Agent 系统的分工与对抗机制提供了一个参考实现。

下图是 TradingAgents 的完整协作流水线，从多源数据提取、观点辩论到风控评估，均由专门的 Agent 节点承接：

二、核心架构：模拟基金投研的 5 阶段流水线

TradingAgents 的设计重点在于各个 Agent 之间的信息流向和制约关系。系统将决策链路划分为五个阶段：

1. 分析团队：四维度并行采集数据

系统启动后，四位分析师 Agent 并行运行，分别处理各自的数据源：

Market Analyst（市场分析师）：通过 Yahoo Finance 获取价格与常用技术指标（如 OHLC、移动平均线、MACD、RSI、ATR、布林带等），整理技术面研报。
Fundamentals Analyst（基本面分析师）：梳理财务指标、估值水平与同业对比。
News Analyst（新闻分析师）：汇总宏观新闻，评估地缘政策、利率环境等宏观因子对标的的影响。
Sentiment Analyst（情绪分析师）：抓取 StockTwits、Reddit 等平台上的散户讨论，统计情绪比例。

四个分析师彼此独立，各自生成文件。这种隔离避免了单一维度的强结论过早干扰其他维度的信息提取。

2. 多空辩论：结构化对抗

汇总四份分析报告后，流程进入多空对抗阶段。

系统没有让一个 Agent 同时总结利弊，而是分别设立了 Bull（多头研究员）和 Bear（空头研究员）。多头先列出自己的支撑论据，空头针对这些论点逐一反驳并补充利空因素，多头再就反驳进行二次防守。辩论轮数可以在配置中调整（默认为 1 轮，可设为 2 轮）。

辩论结束后，由 Research Manager（研究主管）进行裁判。研究主管负责梳理双方在关键价位和宏观逻辑上的分歧点，评估论据支撑强度，最终形成一份综合研究总结。

拆分对抗角色能够有效避免大模型常见的调和倾向，迫使模型把两端的论据和风险都完整暴露出来。

3. 交易员：制定具体参数

研究主管的总结交由 Trader Agent。交易员不重复分析基本面或技术面，而是将结论翻译为具体的交易计划：方向（买入 / 卖出 / 持有）、进场区间、止损价位、目标点位和建议仓位。

4. 风控委员会：三方评估

交易计划提交后，由三位风控分析师组成委员会进行审核：

Aggressive Analyst（激进派）：关注盈亏比与潜在机会，侧重执行可行性。
Conservative Analyst（保守派）：聚焦极端回撤与黑天鹅事件，倾向于压缩风险敞口。
Neutral Analyst（中立派）：平衡机会与潜在风险，评估赔率。

三位风控人员同样会针对仓位大小、止损距离是否合理等细节展开讨论。

5. 投资经理：最终裁决

最后，Portfolio Manager（投资组合经理）统揽所有上游报告，包括分析师数据、多空辩论过程、交易员方案以及风控委员会的审议意见，给出最终结论：评级（Buy / Hold / Sell）、执行摘要、投资逻辑以及观察周期。

五个阶段构成完整的流水线，使每个环节的观点都会在下一环节接受检验。

三、工程机制：反思记忆与断点恢复

TradingAgents 在工程实现上有两点值得注意：长流程容错与跨周期复盘。

断点恢复（Checkpoint Resume）

一次完整的研报生成包含十余次模型调用，耗时通常需要几分钟。如果中间因为网络超时或 API 限流中断，从头重跑会浪费调用成本与时间。

TradingAgents 基于 LangGraph 的 SQLite 检查点功能实现了节点级状态保存。运行时加上 --checkpoint 参数后，每个 Agent 节点执行完毕都会把状态写入数据库。任务中断后重新启动，会自动从断点处继续执行。

决策日志与反思机制（Reflection）

每次做出评级后，系统会把决策摘要记入本地的 trading_memory.md。当后续再次分析同一标的时，系统会自动执行几步复盘：

调取上一次的决策（包括当时的评级、入场价与设定周期）。
获取该标的在决策之后的实际走势。
计算实际收益率以及相对基准指数（如 SPY）的超额表现。
将偏差反思整理为文本，作为上下文注入到本次投资经理的 Prompt 中。

通过这套闭环，历史判断的偏差能够作为经验输入给下一次决策。

四、本地部署：Docker 环境与模型配置

1. 获取代码与构建镜像

▼
bash
复制代码
git clone https://github.com/TauricResearch/TradingAgents.git
cd TradingAgents
cp .env.example .env
docker compose build

2. 模型接入配置

TradingAgents 原生集成了多家主流 LLM 接口，同时也支持任何遵循 OpenAI 协议的自定义端点。

以火山方舟 Agent Plan 为例，在 .env 中添加对应配置：

▼
bash
复制代码
# 采用兼容协议
TRADINGAGENTS_LLM_PROVIDER=openai_compatible

# 火山方舟 Agent Plan 端点
TRADINGAGENTS_LLM_BACKEND_URL=https://ark.cn-beijing.volces.com/api/plan/v3

# 填入申请的 API Key
OPENAI_COMPATIBLE_API_KEY=your_api_key_here

# 指定模型名称（支持使用 deepseek-v4-flash、kimi-k3 等平台原生名称）
TRADINGAGENTS_DEEP_THINK_LLM=deepseek-v4-pro
TRADINGAGENTS_QUICK_THINK_LLM=deepseek-v4-flash

使用火山方舟 Agent Plan 的便利之处在于可以直接配置模型名，无需单独创建 Endpoint 接入点。

3. 网络与环境问题处理

TradingAgents 默认通过 Yahoo Finance 获取行情。在部分网络环境下，容器内请求 query2.finance.yahoo.com 可能遇到 SSL 握手断开的报错。

可通过将宿主机代理映射进容器来解决，同时将国内的模型服务地址排除在外：

▼
bash
复制代码
# 容器使用宿主机本地代理访问外部行情
HTTP_PROXY=http://host.docker.internal:7890
HTTPS_PROXY=http://host.docker.internal:7890

# 国内模型端点走直连
NO_PROXY=localhost,127.0.0.1,ark.cn-beijing.volces.com

另外需要注意：在 Mac 上使用 Docker Desktop 时，如果默认的 desktop-linux context 受到网络代理影响导致 docker compose run 无响应，可以切换到原生 socket 连接：

▼
bash
复制代码
docker context create direct \
  --docker "host=unix://$HOME/Library/Containers/com.docker.docker/Data/docker.raw.sock"
docker context use direct

4. 报告文件持久化挂载

容器默认将研报保存在内部路径。可以在 docker-compose.yml 中挂载目录，方便直接在宿主机查看：

▼
yaml
复制代码
services:
  tradingagents:
    volumes:
      - ./reports:/home/appuser/app/reports

5. 启动交互式分析

▼
bash
复制代码
docker compose run --rm tradingagents

启动后会弹出交互提示，输入标的代码（如 NVDA、BTC-USD）、基准日期、参与的分析师角色、辩论轮次和输出语言即可启动流程。

五、实测复盘：BTC-USD 完整研报

这里使用火山方舟的 deepseek-v4-flash 模型，以 BTC-USD 为标的做了一次完整运行。

终端输出展示了各模块的执行耗时与归档路径：

分析全程耗时约 6 分钟，生成了一份 186KB、1244 行的 Markdown 研报。输出文件按执行阶段分层归档：

▼
text
复制代码
reports/BTC-USD_20260910_130329/
├── 1_analysts/          # 各分析师独立数据报告
│   ├── market.md        # 8 项技术指标核算
│   ├── sentiment.md     # 社区情绪量化
│   └── news.md          # 宏观新闻梳理
├── 2_research/          # 多空对抗记录
│   ├── bull.md          # 看多观点
│   ├── bear.md          # 看空反驳
│   └── manager.md       # 研究主管综合
├── 3_trading/
│   └── trader.md        # 交易执行计划
├── 4_risk/              # 风控三方讨论
│   ├── aggressive.md    # 激进派
│   ├── conservative.md  # 保守派
│   └── neutral.md       # 中立派
├── 5_portfolio/
│   └── decision.md      # 投资经理裁定
└── complete_report.md   # 完整报告合集

技术指标校验

Market Analyst 抓取并计算了当时 BTC-USD 的多项指标：

指标	数值	研报解读
收盘价	77,133.63	基准价格
10 EMA	78,428.41	现价低于该线，短期动能衰退
50 SMA	70,414.24	现价高于该线约 9.5%，中期趋势尚存
200 SMA	69,965.22	50/200 均线金叉，长期均线呈修复状态
RSI	54.89	从高位超买（>80）回落至中性区
MACD 柱	-641.58	死叉已现，动能转弱
ATR	2,142.89	日均波动约 2.8%，止损需预留安全空间

在报告细节中，分析师还比对了 get_stock_data 与 get_verified_market_snapshot 接口返回的收盘价（差异约 54 美元，占比 0.07%），并在报告中明确说明统一以验证快照为准。

多空辩论要点

多空双方在核心逻辑上的交锋较为具体：

多头论点：

价格保持在 50 日均线上方 9.5%、200 日均线上方 10.2%，且 200 日线刚掉头向上，整体属于均线多头修复。且回调阶段成交量较 8 月突破时期缩减超过一半，缺乏主力集中派发的特征。

空头反驳：

均线系统具有滞后性，难以直接预测短期二元风险。当前面临美国关键宏观数据公布、欧洲央行加息以及美债收益率走高的多重宏观压力，短期内指标均线无法对冲宏观利空冲击。

风控人员的讨论则聚焦在操作节奏上：

激进派的短线试多方案将止损设在 75,400，距离现价仅 2.2%，但当前日均 ATR 达到 2,143 美元（波动率 2.8%）。这意味着在数据发布前夕，普通盘中插针就会轻易扫掉止损。

终审结论

投资经理最终给出的评级为 Hold（观望）：

中期结构偏多，短线动能偏空，且宏观上存在待公布的重大经济数据。在这种信号冲突的节点，维持现有持仓、不盲目开新仓是较优选择。等待宏观事件落地后，若价格在 76,000–77,100 区间企稳，或放量收复 10 EMA（78,428），再右侧轻仓介入。

系统没有机械地在多空结论中二选一，而是在多项指标冲突时选择等待右侧确认条件，并给出了明确的观察窗口。

六、现状与实盘距离

TradingAgents 验证了多角色对抗在提升复杂分析质量上的有效性，但在走向实际自动化交易前，依然存在几处现实门槛：

时效与延迟：端到端完整分析涉及十余次推理，单次运行约 3 到 6 分钟。这种耗时决定了它更适合日线级别的波段分析与复盘，无法应对秒级的日内撮合与高频风控。
数据生态接入：原版基于国外数据源构建。若用于 A 股或其他本土市场，需要适配本土行情接口与研报来源。
执行层的衔接：系统当前输出的是逻辑分析和参数建议，并不包含与券商交易接口的直接连通，订单管理、滑点控制和仓位风控等工程模块需要单独开发。
策略回测工具链：框架主要侧重于单次决策的推理过程，目前缺少开箱即用的批量历史回测流水线，较难大规模统计在不同市场周期下的胜率与收益分布。

作为辅助工具，TradingAgents 能够帮助投资者在做决策前快速梳理多空逻辑、罗列潜在风险并量化波动指标。作为多 Agent 系统项目，它在角色拆分、辩论裁决和状态机容错上的处理方式，为探索复杂任务下的 Agent 协作提供了一个清晰的工程参考。

项目地址：https://github.com/TauricResearch/TradingAgents
论文引用：arXiv:2412.20138
免责声明：TradingAgents 属于研究类开源项目，本文仅作技术与架构拆解，文中所涉及标的与实测数据均不构成任何投资建议。

问答助学