Présentation détaillée du projet TradingAgents-CN

Aperçu du projet

TradingAgents-CN est un cadre de décision de trading financier en chinois, basé sur des modèles de langage étendus (LLM) multi-agents. Ce projet est développé à partir du célèbre projet TauricResearch/TradingAgents, et est spécialement conçu pour les utilisateurs chinois, offrant un support et une optimisation complets pour la localisation.

Caractéristiques principales

• 🤖 Collaboration multi-agents : Simule la division professionnelle du travail des sociétés de trading réelles, évaluant les conditions du marché grâce à la collaboration de plusieurs agents IA.
• 🇨🇳 Optimisation pour le chinois : Interface, système de documentation et support complets en chinois pour le marché des actions A.
• 🧠 Intégration de LLM nationaux : Intégration approfondie de divers grands modèles linguistiques tels que ceux d'Alibaba et de Google AI.
• 🌐 Interface Web : Interface de gestion Web moderne basée sur Streamlit.
• 📊 Support de base de données : Architecture à double base de données MongoDB + Redis, offrant une mise en cache intelligente et une persistance des données.

Architecture du système

Structure de l'équipe d'agents

TradingAgents-CN adopte une architecture de collaboration multi-agents, comprenant les équipes professionnelles suivantes :

1. Équipe d'analystes

• Analyste fondamental : Analyse la situation financière de l'entreprise, les tendances du secteur, les facteurs macroéconomiques.
• Analyste technique : Analyse les tendances des prix, les indicateurs techniques, les modèles graphiques.
• Analyste de nouvelles : Analyse les nouvelles financières, les annonces d'entreprise, la dynamique du marché.
• Analyste de médias sociaux : Analyse le sentiment du marché, le sentiment des investisseurs, les discussions sur les médias sociaux.

2. Équipe de chercheurs

• Chercheur haussier : Analyse les opportunités d'investissement sous un angle optimiste.
• Chercheur baissier : Analyse les risques d'investissement sous un angle prudent.
• Débat structuré : Améliore la qualité des décisions par la confrontation des points de vue.

3. Couche de décision de trading

• Agent trader : Prend les décisions de trading finales basées sur toutes les analyses.
• Gestion des risques : Mécanisme d'évaluation et de gestion des risques à plusieurs niveaux.
• Direction : Coordonne le travail des équipes pour assurer la qualité des décisions.

Architecture technique

Pile technologique principale

Domaine technique	Technologie utilisée	Version requise
🐍 Langage principal	Python	3.10+
🧠 Cadre IA	LangChain, LangGraph	Dernière version
🌐 Interface Web	Streamlit	1.28+
🗄️ Bases de données	MongoDB, Redis	4.4+, 6.0+
📊 Traitement des données	Pandas, NumPy	Dernière version
🔌 Intégration API	API TongdaXing, FinnHub, Google News	-

Architecture du flux de données

1. Acquisition de données : Accès à des données multi-sources (actions A, actions américaines, actualités, médias sociaux).
2. Cache intelligent : Cache Redis en millisecondes + stockage persistant MongoDB.
3. Traitement multi-agents : Analyse parallèle, décision collaborative.
4. Sortie des résultats : Conseils d'investissement structurés et évaluation des risques.

Fonctions principales

1. Support multi-marchés

Marché des actions A (🇨🇳)

• Cotations en temps réel : L'API TongdaXing fournit des données de prix d'actions en temps réel.
• Données historiques : Supporte les chandeliers japonais historiques, le calcul des indicateurs techniques.
• Codes boursiers : Supporte les codes boursiers de Shanghai et Shenzhen (ex : 000001, 600519, 300750).

Marché des actions américaines (🇺🇸)

• Données en temps réel : FinnHub, Yahoo Finance fournissent des données sur les actions américaines.
• Actions supportées : AAPL, TSLA, NVDA, MSFT et autres actions américaines majeures.

2. Intégration des grands modèles linguistiques

LLM nationaux (recommandé)

# Configuration Alibaba Dashscope
config = {
    "llm_provider": "dashscope",
    "deep_think_llm": "qwen-plus",      # Analyse approfondie
    "quick_think_llm": "qwen-turbo"     # Tâches rapides
}

LLM internationaux

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

3. Niveaux d'analyse intelligents

Le système offre 5 niveaux de profondeur de recherche :

Niveau	Temps d'analyse	Scénario applicable	Coût
1	2-4 minutes	Surveillance quotidienne	Faible
2	4-6 minutes	Investissement régulier	Moyen-faible
3	6-10 minutes	Décision importante (recommandé)	Moyen
4	10-15 minutes	Investissement majeur	Moyen-élevé
5	15-25 minutes	Décision la plus importante	Élevé

4. Interface de gestion Web

Fonctions principales

• 🎛️ Gestion de la configuration : Gestion des clés API, sélection de modèles, configuration du système.
• 💰 Contrôle des coûts : Statistiques d'utilisation des tokens en temps réel et suivi des coûts.
• 📊 Surveillance de l'analyse : Affichage en temps réel du processus et de la progression de l'analyse.
• 💾 Gestion du cache : Surveillance et gestion de l'état du cache de données.

Caractéristiques de l'interface

• Entièrement en chinois : Interface et résultats d'analyse entièrement affichés en chinois.
• Progression en temps réel : Processus d'analyse visualisé pour éviter l'anxiété d'attente.
• Sortie structurée : Conseils d'investissement, prix cibles, niveau de confiance, évaluation des risques.

Installation et déploiement

Configuration requise

• Python 3.10+
• 4 Go+ de RAM (8 Go+ recommandé)
• Connexion réseau stable

Installation rapide

# 1. Cloner le projet
git clone https://github.com/hsliuping/TradingAgents-CN.git
cd TradingAgents-CN

# 2. Créer un environnement virtuel
python -m venv env
source env/bin/activate  # Linux/macOS
# Ou env\Scripts\activate  # Windows

# 3. Installer les dépendances
pip install -r requirements.txt

# 4. Configurer les variables d'environnement
cp .env.example .env
# Modifier le fichier .env pour configurer les clés API

Configuration de l'environnement

# Configuration requise
DASHSCOPE_API_KEY=votre_cle_api_dashscope_ici
FINNHUB_API_KEY=votre_cle_api_finnhub_ici

# Configuration optionnelle
GOOGLE_API_KEY=votre_cle_api_google_ici
OPENAI_API_KEY=votre_cle_api_openai
ANTHROPIC_API_KEY=votre_cle_api_anthropic

# Configuration de la base de données (optionnel)
MONGODB_ENABLED=false
REDIS_ENABLED=false

Démarrage du service

# Démarrer l'interface Web
streamlit run web/app.py

# Accéder à l'adresse : http://localhost:8501

Exemples d'utilisation

1. Utilisation de l'interface Web

1. Accéder à http://localhost:8501 dans votre navigateur.
2. Saisir le code boursier (ex : AAPL ou 000001).
3. Sélectionner la profondeur de recherche (niveau 3 recommandé).
4. Cliquer sur "Commencer l'analyse".
5. Consulter les résultats d'analyse structurés.

2. Appel programmatique

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

# Configurer le système
config = DEFAULT_CONFIG.copy()
config["llm_provider"] = "dashscope"
config["deep_think_llm"] = "qwen-plus"

# Créer l'agent de trading
ta = TradingAgentsGraph(debug=True, config=config)

# Analyser une action
state, decision = ta.propagate("AAPL", "2024-01-15")

# Afficher les résultats
print(f"Action recommandée : {decision['action']}")
print(f"Niveau de confiance : {decision['confidence']:.1%}")
print(f"Score de risque : {decision['risk_score']:.1%}")

3. Configuration d'optimisation des coûts

# Configuration à faible coût
cost_optimized_config = {
    "deep_think_llm": "qwen-turbo",     # Utiliser un modèle moins cher
    "quick_think_llm": "qwen-turbo",
    "max_debate_rounds": 1,             # Réduire le nombre de tours de débat
    "online_tools": False               # Utiliser les données en cache
}

# Estimation des coûts
# Mode économique : 0,01-0,05 $/analyse
# Mode standard : 0,05-0,15 $/analyse
# Mode haute précision : 0,10-0,30 $/analyse

Intégration de bases de données

Architecture MongoDB + Redis

# Démarrer les bases de données avec Docker
docker-compose up -d

# Vérifier l'état des services
docker-compose ps

Stratégie de sources de données multicouches

Le système adopte une stratégie de dégradation intelligente pour assurer une haute disponibilité :

1. Cache Redis (millisecondes) : Accès rapide aux données chaudes.
2. Stockage MongoDB (secondes) : Persistance des données historiques.
3. API TongdaXing (secondes) : Acquisition de données en temps réel.
4. Cache local (sauvegarde) : Support des données hors ligne.

Système de documentation

Le projet fournit plus de 50 000 mots de documentation détaillée en chinois :

• 📋 Aperçu du projet : Comprendre rapidement la valeur fondamentale du projet.
• 🏛️ Architecture du système : Analyse approfondie du mécanisme de collaboration multi-agents.
• 🤖 Détails des agents : Description des fonctions des différents types d'agents.
• 📊 Traitement des données : Intégration des sources de données et processus de traitement.
• 💡 Tutoriels d'exemples : Tutoriels pratiques du niveau de base au niveau avancé.
• 🆘 FAQ : Questions fréquentes et solutions.

Guide de contribution

Toutes les formes de contribution sont les bienvenues :

1. Forker le projet
2. Créer une branche de fonctionnalité : git checkout -b feature/AmazingFeature
3. Commiter les modifications : git commit -m 'Add some AmazingFeature'
4. Pousser vers la branche : git push origin feature/AmazingFeature
5. Créer une Pull Request

Déclaration de risque

⚠️ Avertissement important :

• Ce cadre est destiné uniquement à des fins de recherche et d'éducation.
• Il ne constitue pas un conseil en investissement.
• Les prévisions des modèles d'IA comportent des incertitudes.
• L'investissement comporte des risques, les décisions doivent être prises avec prudence.
• Il est conseillé de consulter un conseiller financier professionnel.

TradingAgents-CN s'engage à fournir aux utilisateurs chinois un cadre de décision de trading financier IA de classe mondiale, favorisant l'innovation de la technologie IA dans le domaine de la fintech en Chine.