如果你是个程序员、又热爱研究股票，可能你也写过这样一段脚本：拉取历史数据、计算个 MACD 或 RSI，再简单加几行 if/else 逻辑触发买入卖出信号。
刚开始挺兴奋，感觉"策略跑起来了！"------但没多久你就会发现：一换行情，策略就跪了。😅
我自己也走过这条路。
直到最近，我发现了一个开源项目，彻底刷新了我对"AI 量化策略"的认知------TradingAgents。它不是传统的量化框架，而是一个基于 LLM 的多智能体金融决策系统，由 MIT 的研究者主导开发，在 GitHub 上已经爆火（Star 7k+）。
它不只是炒股机器人，更像是把一个 AI 投资团队"塞进了代码里"。
一句话介绍 TradingAgents 是啥？
TradingAgents 是一个基于多智能体（Multi-Agent）架构的开源交易系统，内部集成了多个由大语言模型（LLMs）驱动的智能体，分别承担分析、判断、交易和风控等角色。
它不是单一策略，而是模拟一个投研+风控+交易全流程的 AI 团队，从多维度解析市场，再集体决策是否执行交易。
四类核心 Agent，模拟真实团队协作
1. 分析师团队（Analysts）
每个分析师智能体专注不同视角：
- 基本面分析师：阅读财报、估值、盈利等长期数据；
- 情绪分析师：分析社媒/Reddit/新闻评论的"市场温度"；
- 新闻分析师：解析宏观政策、重大新闻对股价的影响；
- 技术分析师：使用 MACD、RSI 等技术指标判断走势。
这些 Agent 负责生成结构化分析，作为后续判断输入。
2. 研究员团队（Researchers）
模拟投研辩论，拆解利多/利空：
- 看涨 Agent：提出为何值得买入（利好+基本逻辑）；
- 看跌 Agent：挑战其论点，提出潜在风险。
它们进行结构化、多轮辩论（debate），避免"单边思维陷阱"。
3. 交易员 Agent（Trader）
综合以上所有视角，结合历史数据/风控限制，制定实际交易策略：
- 买/卖点建议
- 仓位比例
- 是否执行交易
决策逻辑基于强化学习 + 规则判断结合，具备一定的自适应能力。
4. 风控与组合管理 Agent（Risk & PM）
衡量整个投资组合是否暴露在过高风险下：
- 使用 CVaR / VaR / 夏普比率等风险指标
- 判断是否符合用户风险偏好
- 出现高风险时可能 veto 掉交易建议
这部分也是整个框架的底线防线。
整体流程图（简单回顾）
数据输入 → 分析师多角度解读 → 投研辩论 → 交易决策 → 风控审核 → 最终执行可以说是把一个基金经理团队按模块「拆进代码里了」，而且每个模块都是 LLM 在驱动。
技术核心亮点（为什么它特别）
✅ 基于 LangGraph 构建 Agent 工作流
支持 Agent 之间有状态通信、切换执行路径、动态决策。你可以灵活配置模型、辩论轮次、是否并行执行等。
✅ 多模态数据融合
支持融合结构化（K线、指标、财报）+ 非结构化数据（新闻、评论、公告等），大幅提升信息利用率。
✅ 持续学习 + 策略自调节
支持通过回测反馈进行持续优化，强化成功策略，修正失误方向，实现"经验式成长"。
实验效果："不打嘴炮"，是真测过的
研究团队用 AAPL 等美股做过回测实测，TradingAgents 相比传统策略在多个维度明显优胜：
- 年化收益率最高达 26.6%
- 最大回撤仅 2.11%
- 夏普比率 5.6+（远超业界平均 <3）
并且表现比 MACD、KDJ、Dual Moving Average 等经典策略高出 6%~24% 的收益空间。
部署方式（本地运行也很简单）
只需要 Python 环境 + 两个 API Key：
bash
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配置 FinnHub 和 OpenAI 的 Key：
bash
export OPENAI_API_KEY=你的key
export FINNHUB_API_KEY=你的key然后直接运行：
bash
python -m cli.main
支持 CLI 交互式运行，也可以在代码中调用 .propagate() 单独执行某日某股的推理流程。
示例代码（快速体验）
python
from tradingagents.graph.trading_graph import TradingAgentsGraph
from tradingagents.default_config import DEFAULT_CONFIG
config = DEFAULT_CONFIG.copy()
config["deep_think_llm"] = "gpt-4o"
config["quick_think_llm"] = "gpt-3.5-turbo"
ta = TradingAgentsGraph(debug=True, config=config)
_, decision = ta.propagate("NVDA", "2025-05-10")
print(decision)debug 模式下会显示每个智能体的输出过程，可读性超强，利于研究和再开发。
💡 姐的建议 & 思考
TradingAgents 给我们的启发是：
- 策略≠公式，更像一个"决策过程"
- 多角度结构化思考，比单点信号稳定
- AI 可以做 trader，但更适合做"研究员 + 风控"辅助人类决策
如果你做的是 A 股策略研究，完全可以借助它的架构思路，把社媒情绪（雪球、同花顺）、财报数据、舆情事件、技术指标融合进一个"Agent 模块化"框架中，做一个"中国版本的 TradingAgents"。
TradingAgents 不是一套神奇策略，而是一种新的交易系统思维：用 LLM 模拟一个"懂业务、有分工、会协作"的 AI 金融团队。
喜欢研究量化和 AI 的朋友，值得深入一看 👇 📌 GitHub 项目地址： github.com/TauricResea...