TradingAgents-CN Detaillierte Projektbeschreibung

Projektübersicht

TradingAgents-CN ist ein Framework für Finanzhandelsentscheidungen in chinesischer Sprache, das auf Multi-Agenten-Large-Language-Modellen (LLM) basiert. Dieses Projekt wurde auf der Grundlage des bekannten Projekts TauricResearch/TradingAgents entwickelt und bietet chinesischen Nutzern umfassende Lokalisierungsunterstützung und Optimierungen.

Kernmerkmale

• 🤖 Multi-Agenten-Zusammenarbeit: Simuliert die professionelle Arbeitsteilung realer Handelsunternehmen, indem mehrere KI-Agenten zusammenarbeiten, um Marktbedingungen zu bewerten.
• 🇨🇳 Chinesische Optimierung: Vollständige chinesische Benutzeroberfläche, Dokumentationssystem und Unterstützung für den A-Aktienmarkt.
• 🧠 Integration chinesischer LLMs: Tiefe Integration verschiedener Large Language Models, darunter Alibaba und Google AI.
• 🌐 Web-Oberfläche: Eine moderne Web-Verwaltungsoberfläche basierend auf Streamlit.
• 📊 Datenbankunterstützung: Dual-Datenbank-Architektur mit MongoDB + Redis, die intelligentes Caching und Datenpersistenz bietet.

Systemarchitektur

Agenten-Teamstruktur

TradingAgents-CN verwendet eine Multi-Agenten-Kooperationsarchitektur, die folgende professionelle Teams umfasst:

1. Analystenteam

• Fundamentalanalyst: Analysiert die Finanzlage des Unternehmens, Branchentrends und makroökonomische Faktoren.
• Technischer Analyst: Analysiert Kursentwicklungen, technische Indikatoren und Chartmuster.
• Nachrichtenanalyst: Analysiert Finanznachrichten, Unternehmensmitteilungen und Marktdynamiken.
• Social-Media-Analyst: Analysiert Marktstimmung, Anlegerstimmung und Social-Media-Diskussionen.

2. Forscherteam

• Bullischer Forscher: Analysiert Investitionsmöglichkeiten aus einer optimistischen Perspektive.
• Bärischer Forscher: Analysiert Investitionsrisiken aus einer vorsichtigen Perspektive.
• Strukturierte Debatte: Verbesserung der Entscheidungsqualität durch den Austausch von Standpunkten.

3. Handelsentscheidungsebene

• Trader-Agent: Trifft die endgültige Handelsentscheidung basierend auf allen Analyseinputs.
• Risikomanagement: Mehrschichtiger Risikobewertungs- und -managementmechanismus.
• Managementebene: Koordiniert die Arbeit der Teams und stellt die Entscheidungsqualität sicher.

Technische Architektur

Kerntechnologie-Stack

Technologiebereich	Verwendete Technologie	Versionsanforderung
🐍 Kernsprache	Python	3.10+
🧠 KI-Framework	LangChain, LangGraph	Neueste Version
🌐 Web-Oberfläche	Streamlit	1.28+
🗄️ Datenbank	MongoDB, Redis	4.4+, 6.0+
📊 Datenverarbeitung	Pandas, NumPy	Neueste Version
🔌 API-Integration	TongdaXing API, FinnHub, Google News	-

Datenflussarchitektur

1. Datenerfassung: Multi-Source-Datenzugriff (A-Aktien, US-Aktien, Nachrichten, soziale Medien).
2. Intelligentes Caching: Redis-Caching im Millisekundenbereich + persistente MongoDB-Speicherung.
3. Multi-Agenten-Verarbeitung: Parallele Analyse, kollaborative Entscheidungsfindung.
4. Ergebnisausgabe: Strukturierte Anlageempfehlungen und Risikobewertung.

Kernfunktionen

1. Multi-Markt-Unterstützung

A-Aktienmarkt (🇨🇳)

• Echtzeitkurse: TongdaXing API liefert Echtzeit-Aktienkursdaten.
• Historische Daten: Unterstützung für historische Candlestick-Charts und Berechnung technischer Indikatoren.
• Aktienkürzel: Unterstützung für Shanghai- und Shenzhen-Aktienkürzel (z.B. 000001, 600519, 300750).

US-Aktienmarkt (🇺🇸)

• Echtzeitdaten: FinnHub, Yahoo Finance liefern US-Aktien-Daten.
• Unterstützte Aktien: AAPL, TSLA, NVDA, MSFT und andere gängige US-Aktien.

2. Integration von Large Language Models

Nationale LLMs (Empfohlen)

# Alibaba Bailian Konfiguration
config = {
    "llm_provider": "dashscope",
    "deep_think_llm": "qwen-plus",      # Tiefe Analyse
    "quick_think_llm": "qwen-turbo"     # Schnelle Aufgaben
}

Internationale LLMs

# OpenAI Konfiguration
config = {
    "llm_provider": "openai",
    "deep_think_llm": "gpt-4o",
    "quick_think_llm": "gpt-4o-mini"
}

3. Intelligente Analysetiefe

Das System bietet 5 Stufen der Forschungstiefe:

Stufe	Analysezeit	Anwendungsbereich	Kosten
1	2-4 Minuten	Tägliche Überwachung	Niedrig
2	4-6 Minuten	Reguläre Investitionen	Mittel-Niedrig
3	6-10 Minuten	Wichtige Entscheidungen (Empfohlen)	Mittel
4	10-15 Minuten	Große Investitionen	Mittel-Hoch
5	15-25 Minuten	Wichtigste Entscheidungen	Hoch

4. Web-Verwaltungsoberfläche

Hauptfunktionen

• 🎛️ Konfigurationsverwaltung: API-Schlüsselverwaltung, Modellauswahl, Systemkonfiguration.
• 💰 Kostenkontrolle: Echtzeit-Token-Nutzungsstatistik und Kostenverfolgung.
• 📊 Analyseüberwachung: Echtzeitanzeige des Analyseprozesses und -fortschritts.
• 💾 Cache-Verwaltung: Überwachung und Verwaltung des Daten-Cache-Status.

Oberflächenmerkmale

• Vollständig in Chinesisch lokalisiert: Benutzeroberfläche und Analyseergebnisse vollständig in Chinesisch angezeigt.
• Echtzeitfortschritt: Visualisierter Analyseprozess zur Vermeidung von Warteangst.
• Strukturierte Ausgabe: Anlageempfehlung, Zielkurs, Konfidenz, Risikobewertung.

Installation und Bereitstellung

Systemanforderungen

• Python 3.10+
• 4GB+ RAM (8GB+ empfohlen)
• Stabile Netzwerkverbindung

Schnellinstallation

# 1. Projekt klonen
git clone https://github.com/hsliuping/TradingAgents-CN.git
cd TradingAgents-CN

# 2. Virtuelle Umgebung erstellen
python -m venv env
source env/bin/activate  # Linux/macOS
# Oder env\Scripts\activate  # Windows

# 3. Abhängigkeiten installieren
pip install -r requirements.txt

# 4. Umgebungsvariablen konfigurieren
cp .env.example .env
# Bearbeiten Sie die .env-Datei, um API-Schlüssel zu konfigurieren

Umgebungskonfiguration

# Erforderliche Konfiguration
DASHSCOPE_API_KEY=your_dashscope_api_key_here
FINNHUB_API_KEY=your_finnhub_api_key_here

# Optionale Konfiguration
GOOGLE_API_KEY=your_google_api_key_here
OPENAI_API_KEY=your_openai_api_key
ANTHROPIC_API_KEY=your_anthropic_api_key

# Datenbankkonfiguration (optional)
MONGODB_ENABLED=false
REDIS_ENABLED=false

Dienst starten

# Web-Oberfläche starten
streamlit run web/app.py

# Zugriffsadresse: http://localhost:8501

Anwendungsbeispiele

1. Nutzung der Web-Oberfläche

1. Besuchen Sie im Browser http://localhost:8501.
2. Geben Sie ein Aktienkürzel ein (z.B. AAPL oder 000001).
3. Wählen Sie die Analysetiefe (Stufe 3 empfohlen).
4. Klicken Sie auf "Analyse starten".
5. Zeigen Sie die strukturierten Analyseergebnisse an.

2. Programmatischer Aufruf

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

# System konfigurieren
config = DEFAULT_CONFIG.copy()
config["llm_provider"] = "dashscope"
config["deep_think_llm"] = "qwen-plus"

# Handelsagenten erstellen
ta = TradingAgentsGraph(debug=True, config=config)

# Aktien analysieren
state, decision = ta.propagate("AAPL", "2024-01-15")

# Ergebnisse ausgeben
print(f"Empfohlene Aktion: {decision['action']}")
print(f"Konfidenz: {decision['confidence']:.1%}")
print(f"Risikobewertung: {decision['risk_score']:.1%}")

3. Kostenoptimierte Konfiguration

# Niedrigkostenkonfiguration
cost_optimized_config = {
    "deep_think_llm": "qwen-turbo",     # Verwendung günstigerer Modelle
    "quick_think_llm": "qwen-turbo",
    "max_debate_rounds": 1,             # Reduzierung der Debattenrunden
    "online_tools": False               # Verwendung von Cachedaten
}

# Kostenschätzung
# Wirtschaftsmodus: $0.01-0.05/pro Analyse
# Standardmodus: $0.05-0.15/pro Analyse
# Hochpräzisionsmodus: $0.10-0.30/pro Analyse

Datenbankintegration

MongoDB + Redis Architektur

# Datenbanken mit Docker starten
docker-compose up -d

# Dienststatus überprüfen
docker-compose ps

Mehrschichtige Datenquellenstrategie

Das System verwendet eine intelligente Degradationsstrategie, um hohe Verfügbarkeit zu gewährleisten:

1. Redis-Cache (Millisekundenbereich): Schneller Zugriff auf Hot-Spot-Daten.
2. MongoDB-Speicherung (Sekundenbereich): Persistente Speicherung historischer Daten.
3. TongdaXing API (Sekundenbereich): Echtzeit-Datenerfassung.
4. Lokaler Cache (Backup): Offline-Datenunterstützung.

Dokumentationssystem

Das Projekt bietet über 50.000 Zeichen detaillierter chinesischer Dokumentation:

• 📋 Projektübersicht: Schnelles Verständnis des Kernwerts des Projekts.
• 🏛️ Systemarchitektur: Tiefe Analyse des Multi-Agenten-Kooperationsmechanismus.
• 🤖 Detaillierte Agentenbeschreibung: Funktionsbeschreibung verschiedener Agententypen.
• 📊 Datenverarbeitung: Datenquellenintegration und Verarbeitungsprozess.
• 💡 Beispiel-Tutorials: Praktische Tutorials von grundlegend bis fortgeschritten.
• 🆘 FAQ: Häufig gestellte Fragen und Lösungen.

Beitragsrichtlinien

Beiträge in jeder Form sind willkommen:

1. Projekt forken
2. Feature-Branch erstellen: git checkout -b feature/AmazingFeature
3. Änderungen committen: git commit -m 'Add some AmazingFeature'
4. Auf Branch pushen: git push origin feature/AmazingFeature
5. Pull Request erstellen

Risikohinweis

⚠️ Wichtiger Hinweis:

• Dieses Framework dient ausschließlich Forschungs- und Bildungszwecken.
• Stellt keine Anlageberatung dar.
• KI-Modellprognosen unterliegen Unsicherheiten.
• Investitionen sind mit Risiken verbunden, Entscheidungen sollten mit Vorsicht getroffen werden.
• Es wird empfohlen, einen professionellen Finanzberater zu konsultieren.

TradingAgents-CN widmet sich der Bereitstellung eines erstklassigen KI-Frameworks für Finanzhandelsentscheidungen für chinesische Nutzer, um die innovative Anwendung von KI-Technologien im chinesischen Fintech-Sektor voranzutreiben.