Descrição Detalhada do Projeto TradingAgents-CN

Visão Geral do Projeto

TradingAgents-CN é um framework de decisão de negociação financeira em chinês, baseado em modelos de linguagem grandes (LLM) multiagente. Este projeto foi desenvolvido a partir do renomado projeto TauricResearch/TradingAgents, oferecendo suporte completo de localização e otimização para usuários chineses.

Recursos Principais

• 🤖 Colaboração Multiagente: Simula a divisão profissional de trabalho de uma empresa de negociação real, avaliando as condições de mercado através da colaboração de múltiplos agentes de IA.
• 🇨🇳 Otimização para Chinês: Interface, sistema de documentação e suporte ao mercado A-share (China) completos em chinês.
• 🧠 Integração de LLMs Nacionais: Integração profunda com diversos modelos de linguagem grandes, incluindo Alibaba, Google AI, entre outros.
• 🌐 Interface Web: Interface de gerenciamento Web moderna baseada em Streamlit.
• 📊 Suporte a Banco de Dados: Arquitetura de banco de dados duplo MongoDB + Redis, fornecendo cache inteligente e persistência de dados.

Arquitetura do Sistema

Estrutura da Equipe de Agentes

TradingAgents-CN adota uma arquitetura de colaboração multiagente, que inclui as seguintes equipes profissionais:

1. Equipe de Analistas

• Analista Fundamentalista: Analisa a situação financeira da empresa, tendências do setor, fatores macroeconômicos.
• Analista Técnico: Analisa tendências de preços, indicadores técnicos, padrões gráficos.
• Analista de Notícias: Analisa notícias financeiras, anúncios de empresas, dinâmicas de mercado.
• Analista de Mídias Sociais: Analisa o sentimento do mercado, o sentimento dos investidores, discussões em mídias sociais.

2. Equipe de Pesquisadores

• Pesquisador Otimista (Bullish): Analisa oportunidades de investimento sob uma perspectiva otimista.
• Pesquisador Pessimista (Bearish): Analisa riscos de investimento sob uma perspectiva cautelosa.
• Debate Estruturado: Melhora a qualidade da decisão através do confronto de pontos de vista.

3. Camada de Decisão de Negociação

• Agente Trader: Toma a decisão final de negociação com base em todas as entradas de análise.
• Gestão de Risco: Mecanismos de avaliação e gestão de risco em múltiplos níveis.
• Gerência: Coordena o trabalho das equipes, garantindo a qualidade da decisão.

Arquitetura Técnica

Pilha Tecnológica Principal

Campo Tecnológico	Tecnologia Utilizada	Requisitos de Versão
🐍 Linguagem Principal	Python	3.10+
🧠 Framework de IA	LangChain, LangGraph	Versão Mais Recente
🌐 Interface Web	Streamlit	1.28+
🗄️ Banco de Dados	MongoDB, Redis	4.4+, 6.0+
📊 Processamento de Dados	Pandas, NumPy	Versão Mais Recente
🔌 Integração de API	API TongdaXing, FinnHub, Google News	-

Arquitetura de Fluxo de Dados

1. Aquisição de Dados: Acesso a dados de múltiplas fontes (A-share, ações dos EUA, notícias, mídias sociais).
2. Cache Inteligente: Cache Redis em milissegundos + armazenamento persistente MongoDB.
3. Processamento Multiagente: Análise paralela, decisão colaborativa.
4. Saída de Resultados: Recomendações de investimento estruturadas e avaliação de risco.

Funcionalidades Principais

1. Suporte a Múltiplos Mercados

Mercado A-share (🇨🇳)

• Cotações em Tempo Real: API TongdaXing fornece dados de preços de ações em tempo real.
• Dados Históricos: Suporta K-lines históricas, cálculo de indicadores técnicos.
• Códigos de Ações: Suporta códigos de ações de Xangai e Shenzhen (ex: 000001, 600519, 300750).

Mercado de Ações dos EUA (🇺🇸)

• Dados em Tempo Real: FinnHub, Yahoo Finance fornecem dados de ações dos EUA.
• Ações Suportadas: AAPL, TSLA, NVDA, MSFT e outras ações principais dos EUA.

2. Integração de Modelos de Linguagem Grandes

LLMs Nacionais (Recomendado)

# Configuração Alibaba DashScope
config = {
    "llm_provider": "dashscope",
    "deep_think_llm": "qwen-plus",      # Análise profunda
    "quick_think_llm": "qwen-turbo"     # Tarefas rápidas
}

LLMs Internacionais

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

3. Níveis de Análise Inteligente

O sistema oferece 5 níveis de profundidade de pesquisa:

Nível	Tempo de Análise	Cenário Aplicável	Custo
1	2-4 minutos	Monitoramento Diário	Baixo
2	4-6 minutos	Investimento Regular	Médio-Baixo
3	6-10 minutos	Decisão Importante (Recomendado)	Médio
4	10-15 minutos	Investimento Significativo	Médio-Alto
5	15-25 minutos	Decisão Mais Importante	Alto

4. Interface de Gerenciamento Web

Funcionalidades Principais

• 🎛️ Gestão de Configurações: Gestão de chaves API, seleção de modelos, configuração do sistema.
• 💰 Controle de Custos: Estatísticas de uso de Token em tempo real e rastreamento de custos.
• 📊 Monitoramento de Análise: Exibição em tempo real do processo e progresso da análise.
• 💾 Gestão de Cache: Monitoramento e gestão do status do cache de dados.

Recursos da Interface

• Totalmente Localizado para Chinês: Interface e resultados de análise exibidos completamente em chinês.
• Progresso em Tempo Real: Processo de análise visualizado, evitando ansiedade de espera.
• Saída Estruturada: Recomendações de investimento, preço alvo, nível de confiança, avaliação de risco.

Instalação e Implantação

Requisitos do Sistema

• Python 3.10+
• 4GB+ RAM (8GB+ recomendado)
• Conexão de rede estável

Instalação Rápida

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

# 2. Criar ambiente virtual
python -m venv env
source env/bin/activate  # Linux/macOS
# ou env\Scripts\activate  # Windows

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

# 4. Configurar variáveis de ambiente
cp .env.example .env
# Editar o arquivo .env, configurar chaves API

Configuração do Ambiente

# Configurações Obrigatórias
DASHSCOPE_API_KEY=sua_chave_api_dashscope_aqui
FINNHUB_API_KEY=sua_chave_api_finnhub_aqui

# Configurações Opcionais
GOOGLE_API_KEY=sua_chave_api_google_aqui
OPENAI_API_KEY=sua_chave_api_openai
ANTHROPIC_API_KEY=sua_chave_api_anthropic

# Configuração do Banco de Dados (Opcional)
MONGODB_ENABLED=false
REDIS_ENABLED=false

Iniciar Serviço

# Iniciar a interface Web
streamlit run web/app.py

# Endereço de acesso: http://localhost:8501

Exemplos de Uso

1. Uso da Interface Web

1. Acesse http://localhost:8501 no navegador.
2. Insira o código da ação (ex: AAPL ou 000001).
3. Selecione a profundidade de pesquisa (nível 3 recomendado).
4. Clique em "Iniciar Análise".
5. Visualize os resultados da análise estruturada.

2. Chamada Programática

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

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

# Criar agente de negociação
ta = TradingAgentsGraph(debug=True, config=config)

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

# Imprimir resultados
print(f"Ação recomendada: {decision['action']}")
print(f"Confiança: {decision['confidence']:.1%}")
print(f"Pontuação de risco: {decision['risk_score']:.1%}")

3. Configuração de Otimização de Custo

# Configuração de baixo custo
cost_optimized_config = {
    "deep_think_llm": "qwen-turbo",     # Usar modelo mais barato
    "quick_think_llm": "qwen-turbo",
    "max_debate_rounds": 1,             # Reduzir rodadas de debate
    "online_tools": False               # Usar dados em cache
}

# Estimativa de custo
# Modo Econômico: $0.01-0.05/análise
# Modo Padrão: $0.05-0.15/análise
# Modo de Alta Precisão: $0.10-0.30/análise

Integração de Banco de Dados

Arquitetura MongoDB + Redis

# Iniciar banco de dados com Docker
docker-compose up -d

# Verificar status do serviço
docker-compose ps

Estratégia de Fonte de Dados Multicamadas

O sistema adota uma estratégia de degradação inteligente para garantir alta disponibilidade:

1. Cache Redis (milissegundos): Acesso rápido a dados quentes.
2. Armazenamento MongoDB (segundos): Persistência de dados históricos.
3. API TongdaXing (segundos): Aquisição de dados em tempo real.
4. Cache Local (backup): Suporte a dados offline.

Sistema de Documentação

O projeto oferece mais de 50.000 caracteres de documentação detalhada em chinês:

• 📋 Visão Geral do Projeto: Entendimento rápido do valor central do projeto.
• 🏛️ Arquitetura do Sistema: Análise aprofundada do mecanismo de colaboração multiagente.
• 🤖 Detalhes dos Agentes: Descrição das funcionalidades de vários tipos de agentes.
• 📊 Processamento de Dados: Integração de fontes de dados e fluxo de processamento.
• 💡 Tutoriais de Exemplo: Tutoriais práticos do básico ao avançado.
• 🆘 FAQ: Perguntas frequentes e soluções.

Guia de Contribuição

Contribuições de todas as formas são bem-vindas:

1. Fazer Fork do Projeto
2. Criar branch de recurso: git checkout -b feature/AmazingFeature
3. Commitar alterações: git commit -m 'Adicionar algum AmazingFeature'
4. Push para o branch: git push origin feature/AmazingFeature
5. Criar Pull Request

Declaração de Risco

⚠️ Aviso Importante:

• Este framework destina-se apenas a fins de pesquisa e educação.
• Não constitui aconselhamento de investimento.
• As previsões do modelo de IA contêm incertezas.
• Investir envolve riscos, tome decisões com cautela.
• Recomenda-se consultar um consultor financeiro profissional.

TradingAgents-CN dedica-se a fornecer aos usuários chineses um framework de decisão de negociação financeira com IA de classe mundial, promovendo a aplicação inovadora da tecnologia de IA no campo da tecnologia financeira na China.