TradingAgents 研究筆記¶

資料來源¶

項目	連結
GitHub Repo	TauricResearch/TradingAgents
arXiv 論文	2412.20138
論文 HTML 版	arxiv.org/html/2412.20138v5
Tauric Research 官網	tauric.ai
Trading-R1 報告	2509.11420
Discord 社群	TradingResearch

項目	數值
Stars	42.5K
Forks	7.8K
Language	Python
License	Apache-2.0
建立日期	2024-12-28
最新版本	v0.2.2（2026-03）

專案概述¶

TradingAgents 是由 Tauric Research 開源的多代理 LLM 金融交易框架，模擬真實交易公司的組織架構——基本面分析師、情緒分析師、技術分析師、交易員、風控團隊各司其職，透過結構化辯論協作產出交易決策。

專案基於 LangGraph 建構，支援多家 LLM 供應商（OpenAI、Google、Anthropic、xAI、OpenRouter、Ollama），從 2024 年底發布以來快速成長至 42.5K stars，是目前 LLM + 量化交易領域 star 數最高的開源專案之一。

研究用途聲明

此框架僅供研究用途，不構成金融、投資或交易建議。交易績效受 backbone LLM、模型溫度、交易期間、資料品質等多重因素影響。

核心架構¶

┌─────────────────────────────────────────────────────────────────┐
│                        資料來源層                                │
│   yfinance (股價)  ·  Alpha Vantage (基本面/新聞)  ·  Local DB  │
└──────────────────────────────┬──────────────────────────────────┘
                               ▼
┌─────────────────────────────────────────────────────────────────┐
│                        分析師團隊                                │
│  ┌──────────┐ ┌──────────┐ ┌──────────┐ ┌──────────┐           │
│  │ 基本面   │ │ 情緒     │ │ 新聞     │ │ 技術     │           │
│  │ Analyst  │ │ Analyst  │ │ Analyst  │ │ Analyst  │           │
│  │──────────│ │──────────│ │──────────│ │──────────│           │
│  │ 財報估值 │ │ 社群評分 │ │ 總經事件 │ │ MACD/RSI │           │
│  │ 紅旗偵測 │ │ 市場氛圍 │ │ 影響評估 │ │ 圖形辨識 │           │
│  └──────────┘ └──────────┘ └──────────┘ └──────────┘           │
└──────────────────────────────┬──────────────────────────────────┘
                               ▼
┌─────────────────────────────────────────────────────────────────┐
│                        研究員團隊                                │
│          ┌──────────────┐  ←── 辯論 ──→  ┌──────────────┐      │
│          │ Bull 研究員  │               │ Bear 研究員  │      │
│          │ 評估潛在收益 │               │ 評估潛在風險 │      │
│          └──────────────┘               └──────────────┘      │
└──────────────────────────────┬──────────────────────────────────┘
                               ▼
┌─────────────────────────────────────────────────────────────────┐
│  交易員 Agent → 風險管理團隊 → 投資組合經理（批准/拒絕）→ 執行  │
└─────────────────────────────────────────────────────────────────┘

各層角色職責¶

層級	角色	職責
分析	Fundamentals Analyst	評估公司財報、估值、紅旗偵測
分析	Sentiment Analyst	社群情緒評分、短期市場情緒
分析	News Analyst	全球新聞、總經指標、事件影響
分析	Technical Analyst	MACD、RSI 等技術指標與價格預測
研究	Bull/Bear Researchers	透過結構化辯論平衡收益與風險
執行	Trader Agent	綜合報告決定交易時機與規模
風控	Risk Management Team	評估波動性、流動性、調整策略
決策	Portfolio Manager	最終批准/拒絕交易提案

論文實驗結果¶

回測期間：2024-01-01 ~ 2024-03-29，標的：AAPL、GOOGL、AMZN

績效數據¶

指標	AAPL	GOOGL	AMZN
累積報酬率	26.62%	24.36%	23.21%
年化報酬率	30.5%	27.58%	24.90%
Sharpe Ratio	8.21	6.39	5.60
最大回撤	0.91%	1.69%	2.11%

對照基線¶

基線策略	說明
Buy & Hold	買入持有
MACD	移動平均收斂發散
KDJ & RSI	技術指標策略
ZMR	零均值回歸
SMA	簡單移動平均

TradingAgents 在所有標的上均顯著優於上述基線，改善幅度 6.1%~28.43%。在 AAPL 的高波動期間，傳統方法表現不佳，但 TradingAgents 仍維持穩定獲利。

Sharpe Ratio 說明

作者坦承 Sharpe Ratio 異常偏高（最高 8.21），歸因於回測期間回撤極少。且因 LLM 呼叫成本高，僅測試 3 個月，長期穩定性仍待驗證。

快速開始¶

安裝¶

git clone https://github.com/TauricResearch/TradingAgents.git
cd TradingAgents

conda create -n tradingagents python=3.13
conda activate tradingagents

pip install .

API 金鑰設定¶

export OPENAI_API_KEY=...          # OpenAI (GPT)
export GOOGLE_API_KEY=...          # Google (Gemini)
export ANTHROPIC_API_KEY=...       # Anthropic (Claude)
export XAI_API_KEY=...             # xAI (Grok)
export OPENROUTER_API_KEY=...      # OpenRouter
export ALPHA_VANTAGE_API_KEY=...   # Alpha Vantage (金融數據)

也支援 Ollama 本地模型（設定 llm_provider: "ollama"）。

CLI 使用¶

tradingagents          # 安裝後的指令
python -m cli.main     # 從原始碼執行

Python API¶

from tradingagents.graph.trading_graph import TradingAgentsGraph
from tradingagents.default_config import DEFAULT_CONFIG

config = DEFAULT_CONFIG.copy()
config["llm_provider"] = "anthropic"       # 選擇 LLM 供應商
config["deep_think_llm"] = "claude-opus-4-6"  # 複雜推理用
config["quick_think_llm"] = "claude-haiku-4-5-20251001"  # 快速任務用
config["max_debate_rounds"] = 2            # 辯論輪數

ta = TradingAgentsGraph(debug=True, config=config)
_, decision = ta.propagate("NVDA", "2026-01-15")
print(decision)

支援的 LLM 供應商¶

供應商	模型範例	設定值
OpenAI	GPT-5.2, GPT-5-mini	`"openai"`
Google	Gemini 3.1	`"google"`
Anthropic	Claude Opus 4.6, Haiku 4.5	`"anthropic"`
xAI	Grok 4.x	`"xai"`
OpenRouter	各家模型	`"openrouter"`
Ollama	本地模型	`"ollama"`

版本演進¶

版本	日期	重點更新
v0.2.2	2026-03	GPT-5.4/Gemini 3.1/Claude 4.6 支援、五級評分量表、OpenAI Responses API、Anthropic effort control
v0.2.0	2026-02	多 LLM 供應商架構（OpenAI/Google/Anthropic/xAI）、系統架構改進
v0.1.x	2025	初始開源版本、LangGraph 架構、CLI 介面

Trading-R1：Tauric Research 於 2026-01 發布的新研究方向（arXiv:2509.11420），Terminal 工具預計近期釋出。

目前限制 / 注意事項¶

限制	說明
LLM 成本高	每次分析需多個 Agent 各呼叫 LLM，API 費用可觀
回測期短	論文僅測試 3 個月（受 LLM 成本限制），長期穩定性未知
Sharpe Ratio 偏高	作者自認數值超出合理經驗範圍，牛市期間回撤少所致
僅限規則基線比較	未與 ML-based 量化策略（如 RL agent）對比
非即時交易	回測框架，非生產級交易系統
資料依賴外部 API	Alpha Vantage 免費版有呼叫限制
非確定性	LLM 輸出隨溫度和版本變動，可重現性有限

研究價值與啟示¶

關鍵洞察¶

「交易公司」隱喻的威力：TradingAgents 成功之處不在演算法創新，而在組織設計的忠實還原。它把一家真實交易公司的部門架構（分析師 → 研究員 → 交易員 → 風控 → PM）直接映射為 Agent 拓撲，讓每個 Agent 的 prompt 和工具集自然受限於角色職責。這個「用組織模擬限制 Agent 行為」的模式，比單純的 prompt engineering 更具結構性。
辯論機制是多 Agent 系統的殺手特性：Bull/Bear 研究員的結構化辯論不只是噱頭——它強制系統產出對立觀點，避免單一 LLM 的確認偏誤（confirmation bias）。42.5K stars 的爆發性成長，很大程度源於這個直觀且可解釋的決策機制。
誠實的侷限揭露反而增加可信度：論文坦承 Sharpe Ratio 超出合理範圍、回測期短、成本限制等問題，這在量化金融 + AI 的炒作中非常少見。誠實揭露侷限 ≠ 軟弱，反而讓研究社群更願意投入改進。
多 LLM 供應商支援是必要的生存策略：v0.2.0 從 OpenAI-only 擴展到六家供應商，這不只是功能擴充，而是降低對單一 API 的依賴風險。在 LLM 價格戰持續的市場中，能隨時切換供應商 = 成本最佳化的能力。
從 42.5K stars 看「金融 + AI Agent」的市場需求：這個 2024 年底才建立的專案，15 個月內衝到 42.5K stars / 7.8K forks，反映了一個巨大的未被滿足需求——量化交易者想要「開箱即用」的 LLM Agent 框架，而非從零建構。

與其他專案的關聯¶

CrewAI / LangChain：TradingAgents 建構於 LangGraph 之上，本質上是 LangChain 生態在金融垂直領域的最佳實踐範例。CrewAI 的角色定義模式與 TradingAgents 的 Agent 設計高度相似，但後者更專精於金融場景
多 Agent 辯論會：TradingAgents 的 Bull/Bear 辯論機制與我們研究的多 Agent 辯論會架構不謀而合——兩者都驗證了「結構化辯論能提升 LLM 決策品質」的假設
MiroFish：同為高 star 數的 AI Agent 預測系統，但 MiroFish 用群體智能、TradingAgents 用專家分工，代表兩種截然不同的多 Agent 決策哲學
OpenStock / StockStats：可作為 TradingAgents 的資料來源補充，或與其技術分析模組做功能比較