如果你是程式設計師，又對股票感興趣，那八成動過寫個指令碼的念頭。
這個想法的初版通常很簡單：找個免費的股票資料 API，用 Python 拉取 K 線，算一下 MACD 或者 RSI 指標，然後寫幾個
if/else來觸發買入賣出訊號。測試幾次，發現收益還不錯，特容易興奮上頭。我很早之前也幹過這事兒，但說實話沒那麼簡單，市場一變，之前有效的策略可能立刻失效，得經常調整。寫的那幾十行指令碼，在真實的市場面前，還是太單薄了。
最近，我找到一個據說“神”到不行的“隊友”，麻省理工學院（MIT）的一群研究者開源了一個叫 TradingAgents 的專案，它不是一個簡單股票機器人，號稱是目前最強大的 AI 金融股票交易智慧體，在 GitHub 上的 Star 數已經突破 5000 大關，非常火爆。
先不說它是一個 Agent，最牛的是它的戰績，比如在對蘋果（AAPL）股票的模擬交易中，竟然跑出了 26.6% 的回報。這不妥妥“AI 股神”嗎。
最近我們聊 Agent 聊得很多，見證了太多簡單的“單體 Agent”，前段時間我們發過一篇文章討論“多智慧體到底該不該建”，在充滿不確定性和對抗性的真實世界任務中，從單體到多體是必然。
這個開源專案 TradingAgents，也是基於多智慧體協作框架，而且是選在金融這個最複雜、資訊密度最高、反饋最殘酷的領域。一起看看它咋做的。
TradingAgents 是咋做到的
TradingAgents 和傳統的量化交易或單一 AI 模型的不同在於—“多智慧體（Multi-Agent）”的 LLM 金融交易框架。
傳統的金融選股模型主要是訓練一個 AI 模型進行技術分析，這些模型往往是“單兵作戰”，缺乏真正的協同和決策能力。
而 TradingAgents 則完美模擬了人類金融團隊的運作模式，透過構建一個分工明確、協作緊密的智慧體網路，實現了從“資料分析”到“策略制定”再到“風險管理”的全鏈條自動化。
你可以把 TradingAgents 想象成一家頂級的投資公司，只不過裡面的“員工”全都是由 AI 智慧體扮演！每個智慧體都擁有特定的專業知識和角色，能夠進行動態討論和協同決策。
多智慧體團隊內部一共設定了四種角色的員工：
不同視角的分析師團隊
這支團隊類似公司的“千里眼”，洞察市場，這些分析師智慧體被賦予了特定的觀察和推理能力：
-
基本面分析師： 評估公司財報，根據行業報告、宏觀經濟資料，推理出公司的內在價值變動趨勢和潛在風險訊號。 -
情緒分析師： 即時監測社交媒體、新聞評論等，用情感評分演算法捕捉市場的“風吹草動”。 -
新聞分析師： 緊盯全球新聞和宏觀經濟指標，理解事件的深層影響，預測其對特定行業或股票的連鎖反應。 -
技術分析師： 運用 MACD、RSI 等專業指標，識別交易模式，並透過 LLM 的推理能力預測短期價格波動和可能的突破點。
專門辯論的研究員
這部分更有意思了！
研究團隊構建了一個獨特的辯論團隊，讓不同觀點的看漲研究員和看跌研究員進行結構化辯論：
-
看漲研究員： 積極尋找市場中的利好因素，例如行業發展機遇、公司創新成果等，構建支援投資的邏輯，並提供論據支援。 -
看跌研究員： 捕捉潛在的風險訊號和不利因素，例如宏觀經濟下行壓力、公司競爭劣勢等，並提出反駁意見和風險警示。
這種“正反方辯論”模式，強制智慧體從兩個方面進行深入思考，有效避免了單一視角可能帶來的侷限性，讓決策更加全面和客觀。
操盤手交易員
當分析師和研究員團隊把“功課”做足後，就輪到交易員智慧體出馬了！
交易員智慧體的決策過程是一個複雜的強化學習過程，綜合所有資訊，制定出切實可行的交易策略。
交易員智慧體會綜合考慮：
-
市場深度和流動性： 決定交易規模，避免對市場造成不必要的衝擊。 -
風險偏好： 根據預設的風險敞口，調整交易激程序度。 -
時間視窗： 精準把握交易時機，力求實現回報最大化。
一旦市場出現符合預設交易條件的訊號，交易員智慧體就會迅速下達買入或賣出指令，並根據市場的即時變化靈活調整投資組合。
風險管理團隊
在金融市場，風險控制永遠是重中之重！
研究團隊構建了專門的風險管理智慧體團隊，即時監控持倉情況和市場波動，透過設定止損訂單等手段，嚴格控制投資風險，利用價值風險（VaR）、條件風險值（CVaR）等量化風險指標，確保所有交易活動都在預設的風險引數範圍內進行。
例如，當某隻股票的價格出現顯著下跌，並接近預設的止損價位時，風險管理團隊會及時提醒交易員智慧體採取相應的應對措施，以最大限度地減少潛在損失。
核心技術解密
TradingAgents 的論文中詳細闡述了幾個關鍵的技術亮點：
LangGraph 驅動的工作流
TradingAgents 採用了先進的“工廠模式（Factory Pattern）”來建立智慧體，結合 LangGraph 構建了動態工作流，讓不同的 LLM 智慧體之間進行有狀態的對話和決策路徑切換，形成智慧體之間的“高速公路”。
這種高度模組化和可配置的設計，使得系統能夠：
-
根據不同的金融場景，輕鬆配置各種 LLM 模型，例如 GPT-4、o1-preview 等，甚至可以整合本地部署的開源 LLM。 -
支援即時市場資料或歷史快取資料作為分析來源。 -
允許使用者自由設定辯論輪次，完美適應各種複雜多變的金融交易場景。
多模態資料融合：讓 AI 看到“全景圖”
TradingAgents 具備強大的多模態資料融合能力。它能同時融合：
-
結構化資料： 如財務報表、交易資料、宏觀經濟指標等。 -
非結構化文字資料： 如新聞報道、社交媒體資訊、公司公告等。
從這些複雜且多樣化的資料中精準提取關鍵資訊，TradingAgents 能夠記那些跨模態的關聯分析，提升市場預測的準確性。
動態決策與持續學習進化
透過回測獎勵機制可以根據市場的即時變化快速調整策略，實現持續學習進化。TradingAgents 構建了持續學習的決策鏈條：
-
即時反饋： 根據實際的市場表現，接收到即時反饋。 -
獎勵訊號： 成功的交易或有效的風險控制會生成正向獎勵訊號。 -
模型最佳化： 這些獎勵訊號被用於持續最佳化 LLM 的提示、智慧體間的互動規則，以及決策引數，形成一個閉環學習的良性迴圈。
這就像一個經驗豐富的交易員，在每一次交易中不斷覆盤、學習、成長！
研究團隊餵給了 TradingAgents 以下相關內容，包括：
-
即時股價 & 60+ 技術指標（MACD、RSI 等） -
彭博/雅虎財經等專業新聞 -
Reddit/推特社交情緒分析 -
公司財報、高管交易資料 -
宏觀經濟和政府政策更新
然後將 TradingAgents 的表現與五大傳統策略（比如“買入持有”、MACD 均線、KDJ+RSI 組合等）進行了對比。TradingAgents 平均碾壓基線策略 6-24 個百分點。
在模擬盤中高收益下最大虧損 (回撤) 僅 0.91%-2.11%，接近風控最強的保守策略； 收益風險比（夏普比率）高達 5.6-8.21（傳統策略普遍 <3.5，超過 3 已是頂級水平）。
部署方式
看到這裡，家人們是不是已經躍躍欲試，想讓這個“AI 股神”在你的電腦上跑起來了？
別擔心，部署它並不複雜！
-
克隆 TradingAgents 倉庫：
git clone https://github.com/TauricResearch/TradingAgents.git cd TradingAgents -
建立虛擬環境（推薦使用 conda）：
conda create -n tradingagents python=3.13 conda activate tradingagents -
安裝依賴項：
pip install -r requirements.txt 必要 API 配置：
-
FinnHub API（獲取金融資料）： 所有程式碼均相容免費套餐。
export FINNHUB_API_KEY=$YOUR_FINNHUB_API_KEYexport OPENAI_API_KEY=$YOUR_OPENAI_API_KEY（換
$YOUR_FINNHUB_API_KEY 和 $YOUR_OPENAI_API_KEY 為你的實際 API 金鑰）3. 命令列使用：
配置好 API 後，你就可以直接執行 CLI 了：
python -m cli.main 介面會顯示可選引數，比如股票程式碼、日期、LLM 模型、研究深度等等。執行時，你會即時看到載入結果，並能追蹤智慧體的執行進度，親眼見證 AI 如何“思考”！
雖然 TradingAgents 為我們展示了 LLM 在複雜、高風險金融場景中進行決策的巨大潛力，這是否意味著人人都能輕鬆實現財富自由？AI 真的能透過這種多智慧體協同模式，實現超越人類的交易表現嗎？
如果你對 AI Agent、複雜系統設計或者量化交易感興趣，這個專案值得花時間研究一下。
但是大家都是技術人，明白回測和實盤的巨大差異，請勿直接用於真實交易。
【重要提醒：TradingAgents 框架僅供研究用途哦。它的交易表現可能會因為模型、引數、資料等多種因素而異，而且它不構成財務、投資或交易建議！咱們玩歸玩，鬧歸鬧，投資有風險，入市需謹慎！】
參考文獻https://arxiv.org/pdf/2412.20138https://github.com/TauricResearch/TradingAgents