Login

Marco de toma de decisiones para transacciones financieras en chino basado en LLM multiagente, que realiza análisis de acciones y decisiones de inversión a través de la colaboración de un equipo de analistas profesionales.

Apache-2.0Python 1.7khsliupingTradingAgents-CN Last Updated: 2025-07-12

Descripción Detallada del Proyecto TradingAgents-CN

Resumen del Proyecto

TradingAgents-CN es un marco de decisión de trading financiero en chino basado en modelos de lenguaje grandes (LLM) de múltiples agentes. Este proyecto se desarrolla a partir del conocido proyecto TauricResearch/TradingAgents, diseñado específicamente para usuarios chinos, ofreciendo soporte y optimización de localización completos.

Características Principales

  • 🤖 Colaboración Multi-Agente: Simula la división profesional del trabajo en una empresa de trading real, evaluando las condiciones del mercado a través de la colaboración de múltiples agentes de IA.
  • 🇨🇳 Optimización para Chino: Interfaz, sistema de documentación y soporte para el mercado de acciones A completamente en chino.
  • 🧠 Integración de LLM Nacionales: Integración profunda de varios modelos de lenguaje grandes como Alibaba y Google AI.
  • 🌐 Interfaz Web: Interfaz de gestión web moderna basada en Streamlit.
  • 📊 Soporte de Bases de Datos: Arquitectura de doble base de datos MongoDB + Redis, que proporciona caché inteligente y persistencia de datos.

Arquitectura del Sistema

Estructura del Equipo de Agentes

TradingAgents-CN adopta una arquitectura de colaboración multi-agente, que incluye los siguientes equipos profesionales:

1. Equipo de Analistas

  • Analista Fundamental: Analiza la situación financiera de la empresa, las tendencias de la industria, los factores macroeconómicos.
  • Analista Técnico: Analiza las tendencias de precios, los indicadores técnicos, los patrones gráficos.
  • Analista de Noticias: Analiza noticias financieras, anuncios de empresas, dinámicas del mercado.
  • Analista de Redes Sociales: Analiza el sentimiento del mercado, el sentimiento de los inversores, las discusiones en redes sociales.

2. Equipo de Investigadores

  • Investigador Alcista: Analiza oportunidades de inversión desde una perspectiva optimista.
  • Investigador Bajista: Analiza riesgos de inversión desde una perspectiva cautelosa.
  • Debate Estructurado: Mejora la calidad de las decisiones a través del choque de puntos de vista.

3. Capa de Decisión de Trading

  • Agente Trader: Toma la decisión final de trading basándose en todas las entradas de análisis.
  • Gestión de Riesgos: Mecanismo de evaluación y gestión de riesgos multinivel.
  • Gestión: Coordina el trabajo de cada equipo para asegurar la calidad de las decisiones.

Arquitectura Técnica

Pila Tecnológica Principal

Campo Tecnológico Tecnología Utilizada Requisitos de Versión
🐍 Lenguaje Principal Python 3.10+
🧠 Marco de IA LangChain, LangGraph Última versión
🌐 Interfaz Web Streamlit 1.28+
🗄️ Bases de Datos MongoDB, Redis 4.4+, 6.0+
📊 Procesamiento de Datos Pandas, NumPy Última versión
🔌 Integración de API TongdaXing API, FinnHub, Google News -

Arquitectura del Flujo de Datos

  1. Adquisición de Datos: Acceso a datos de múltiples fuentes (acciones A, acciones de EE. UU., noticias, redes sociales).
  2. Caché Inteligente: Caché de milisegundos de Redis + almacenamiento persistente de MongoDB.
  3. Procesamiento Multi-Agente: Análisis paralelo, decisión colaborativa.
  4. Salida de Resultados: Sugerencias de inversión estructuradas y evaluación de riesgos.

Funciones Principales

1. Soporte Multi-Mercado

Mercado de Acciones A (🇨🇳)

  • Cotizaciones en Tiempo Real: La API de TongdaXing proporciona datos de precios de acciones en tiempo real.
  • Datos Históricos: Soporte para velas históricas, cálculo de indicadores técnicos.
  • Códigos de Acciones: Soporte para códigos de acciones de Shanghái y Shenzhen (ej: 000001, 600519, 300750).

Mercado de Acciones de EE. UU. (🇺🇸)

  • Datos en Tiempo Real: FinnHub, Yahoo Finance proporcionan datos de acciones de EE. UU.
  • Acciones Soportadas: AAPL, TSLA, NVDA, MSFT y otras acciones principales de EE. UU.

2. Integración de Modelos de Lenguaje Grandes

LLM Nacionales (Recomendado)

# Configuración de Alibaba Bailian
config = {
    "llm_provider": "dashscope",
    "deep_think_llm": "qwen-plus",      # Análisis profundo
    "quick_think_llm": "qwen-turbo"     # Tareas rápidas
}

LLM Internacionales

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

3. Niveles de Análisis Inteligente

El sistema ofrece 5 niveles de profundidad de investigación:

Nivel Tiempo de Análisis Escenario Aplicable Costo
1 2-4 minutos Monitoreo diario Bajo
2 4-6 minutos Inversión regular Medio-Bajo
3 6-10 minutos Decisión importante (Recomendado) Medio
4 10-15 minutos Inversión significativa Medio-Alto
5 15-25 minutos Decisión más importante Alto

4. Interfaz de Gestión Web

Funciones Principales

  • 🎛️ Gestión de Configuración: Gestión de claves API, selección de modelos, configuración del sistema.
  • 💰 Control de Costos: Estadísticas de uso de tokens en tiempo real y seguimiento de costos.
  • 📊 Monitoreo de Análisis: Muestra en tiempo real el proceso y el progreso del análisis.
  • 💾 Gestión de Caché: Monitoreo y gestión del estado de la caché de datos.

Características de la Interfaz

  • Completamente en Chino: La interfaz y los resultados del análisis se muestran completamente en chino.
  • Progreso en Tiempo Real: Proceso de análisis visualizado para evitar la ansiedad por la espera.
  • Salida Estructurada: Sugerencias de inversión, precio objetivo, nivel de confianza, evaluación de riesgos.

Instalación y Despliegue

Requisitos del Sistema

  • Python 3.10+
  • 4GB+ de RAM (se recomienda 8GB+)
  • Conexión a internet estable

Instalación Rápida

# 1. Clonar el proyecto
git clone https://github.com/hsliuping/TradingAgents-CN.git
cd TradingAgents-CN

# 2. Crear entorno virtual
python -m venv env
source env/bin/activate  # Linux/macOS
# o env\Scripts\activate  # Windows

# 3. Instalar dependencias
pip install -r requirements.txt

# 4. Configurar variables de entorno
cp .env.example .env
# Editar el archivo .env, configurar las claves API

Configuración del Entorno

# Configuración obligatoria
DASHSCOPE_API_KEY=tu_clave_api_dashscope_aqui
FINNHUB_API_KEY=tu_clave_api_finnhub_aqui

# Configuración opcional
GOOGLE_API_KEY=tu_clave_api_google_aqui
OPENAI_API_KEY=tu_clave_api_openai
ANTHROPIC_API_KEY=tu_clave_api_anthropic

# Configuración de la base de datos (opcional)
MONGODB_ENABLED=false
REDIS_ENABLED=false

Iniciar Servicio

# Iniciar la interfaz web
streamlit run web/app.py

# Acceder a la dirección: http://localhost:8501

Ejemplos de Uso

1. Uso de la Interfaz Web

  1. Acceder a http://localhost:8501 en el navegador.
  2. Introducir el código de la acción (ej: AAPL o 000001).
  3. Seleccionar la profundidad de investigación (se recomienda el nivel 3).
  4. Hacer clic en "Iniciar Análisis".
  5. Ver los resultados del análisis estructurado.

2. Llamada Programática

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

# Configurar el sistema
config = DEFAULT_CONFIG.copy()
config["llm_provider"] = "dashscope"
config["deep_think_llm"] = "qwen-plus"

# Crear el agente de trading
ta = TradingAgentsGraph(debug=True, config=config)

# Analizar la acción
state, decision = ta.propagate("AAPL", "2024-01-15")

# Imprimir resultados
print(f"Acción recomendada: {decision['action']}")
print(f"Nivel de confianza: {decision['confidence']:.1%}")
print(f"Puntuación de riesgo: {decision['risk_score']:.1%}")

3. Configuración de Optimización de Costos

# Configuración de bajo costo
cost_optimized_config = {
    "deep_think_llm": "qwen-turbo",     # Usar un modelo más barato
    "quick_think_llm": "qwen-turbo",
    "max_debate_rounds": 1,             # Reducir el número de rondas de debate
    "online_tools": False               # Usar datos en caché
}

# Estimación de costos
# Modo económico: $0.01-0.05/análisis
# Modo estándar: $0.05-0.15/análisis
# Modo de alta precisión: $0.10-0.30/análisis

Integración de Bases de Datos

Arquitectura MongoDB + Redis

# Iniciar bases de datos con Docker
docker-compose up -d

# Comprobar el estado del servicio
docker-compose ps

Estrategia de Fuentes de Datos Multi-Capa

El sistema adopta una estrategia de degradación inteligente para garantizar una alta disponibilidad:

  1. Caché de Redis (milisegundos): Acceso rápido a datos calientes.
  2. Almacenamiento de MongoDB (segundos): Persistencia de datos históricos.
  3. API de TongdaXing (segundos): Adquisición de datos en tiempo real.
  4. Caché Local (respaldo): Soporte de datos fuera de línea.

Sistema de Documentación

El proyecto proporciona más de 50,000 caracteres de documentación detallada en chino:

  • 📋 Resumen del Proyecto: Comprenda rápidamente el valor central del proyecto.
  • 🏛️ Arquitectura del Sistema: Análisis profundo del mecanismo de colaboración multi-agente.
  • 🤖 Detalles del Agente: Descripción de las funciones de varios tipos de agentes.
  • 📊 Procesamiento de Datos: Integración de fuentes de datos y flujo de procesamiento.
  • 💡 Tutoriales de Ejemplo: Tutoriales prácticos desde lo básico hasta lo avanzado.
  • 🆘 Preguntas Frecuentes: Preguntas comunes y soluciones.

Guía de Contribución

Se agradecen todas las formas de contribución:

  1. Hacer un Fork del proyecto
  2. Crear una rama de características: git checkout -b feature/AmazingFeature
  3. Realizar cambios: git commit -m 'Add some AmazingFeature'
  4. Subir a la rama: git push origin feature/AmazingFeature
  5. Crear una Pull Request

Declaración de Riesgos

⚠️ Advertencia Importante:

  • Este marco es solo para fines de investigación y educación.
  • No constituye asesoramiento de inversión.
  • Las predicciones de los modelos de IA tienen incertidumbres.
  • La inversión conlleva riesgos, las decisiones deben tomarse con precaución.
  • Se recomienda consultar a un asesor financiero profesional.

TradingAgents-CN se dedica a proporcionar un marco de decisión de trading financiero de IA de clase mundial para usuarios chinos, impulsando la innovación de la tecnología de IA en el campo de la tecnología financiera en China.

Star History Chart