企业官网建设流程全解析

TradingAgents部署教程：5个AI角色如何协同走完一笔交易

【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

当你希望AI同时盯基本面、盯情绪、盯技术面，还要自动走完风控和下单流程时，自己用单个LLM串起来会写出大量编排代码。TradingAgents是一个模拟真实交易公司完整工作流程的多智能体LLM金融交易框架，TradingAgents部署只需要三条命令，跑通后你会得到一条从分析到执行、五个角色层协同的决策流水线。

💻 最小化部署：从克隆到跑通

前置条件：系统与Python版本

• 操作系统：Windows 10/11、macOS 12+、Linux（推荐 Ubuntu 20.04+）
• 内存：至少 8GB，16GB 以上体验更好
• Python：3.8–3.10
• 网络：稳定互联网连接（拉取市场数据与模型资源）

三条命令完成安装

git clone https://gitcode.com/GitHub_Trending/tr/TradingAgents-AI.github.io cd TradingAgents-AI.github.io pip install -r requirements.txt

机器上装过多个 Python 版本的话，建议先用 conda 建独立环境再装依赖（例如conda create -n tradingagents python=3.9），避免装到不相干的环境里；装完后如果 import 报错，多半是 pip 对应的 Python 版本和实际运行版本不一致，检查一下which pip即可。

⚙️ 内部协作：五角色分工与决策流水线

框架内部按角色层拆分，每个层都有独立的智能体，工具与约束各不相同，智能体间基于 ReAct 提示框架通信。简单讲就是一家缩小版的交易公司。

角色速览：五个核心层级

• 分析师团队：四位分析师并行采集基本面、情绪、新闻、技术四个维度的市场信息
• 研究团队：多头与空头研究员对采集数据展开辩论，输出平衡观点
• 交易员：把辩论结论转成具体交易决策
• 风险管理团队：评估决策的风险暴露，做全流程兜底
• 基金经理：最终审批并执行交易

一次决策的完整流转：从分析到执行

流程起点是四位分析师互不等待地并行出报告：基本面查财务健康，情绪面看社媒倾向，新闻面盯宏观事件，技术面算指标信号。报告汇总到研究团队后，最值得留意的是多空辩论机制——多头研究员只讲机会与增长空间，空头研究员只讲风险与负面信号，双方反复对辩，直到收敛出兼顾两面的平衡观点才交棒。

辩论结束后，交易员基于平衡观点产出方向、仓位、时点俱全的决策。但决策不会直接落地，风控团队会接住这份计划，对照当前市场波动率与流动性、从多个风险视角审议，认为风险超标就退回给交易员重调——这是第二个设计亮点，风控兜底。最后由基金经理做终审，交易才真正执行。

📊 跑通之后你会看到什么

本地监控入口

python run_trading_agents.py --config config/main_config.json

启动后浏览器打开http://localhost:8080，即可实时查看系统状态与交易表现。

收益曲线与交易明细

论文回测（2024 年 6–11 月，日频决策）中，AAPL 上的累计收益曲线在整个区间内保持在买入持有、MACD 等基线策略之上：

交易记录按笔标注箭头：绿色代表做多，红色代表做空。把箭头时间点对照每日决策记录，就能复盘这一笔是哪一轮分析、风控意见促成的；想调整智能体行为或风控阈值，改 config/ 下的对应参数即可。

📚 延伸资源与下一步

• 项目文档：README.md
• 配置目录：config/，智能体与风控参数均在此处
• 社区讨论：问题反馈与功能建议可加入官方项目组织页的讨论区

下一步建议：先用 AAPL 跑一轮模拟盘，盯几天多空箭头的分布规律，再去动风控阈值。

【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