TradingAgents-CN 项目详细介绍

项目概览

TradingAgents-CN 是一个基于多智能体大语言模型（LLM）的中文金融交易决策框架。该项目基于知名的 TauricResearch/TradingAgents 项目开发，专为中文用户提供完整的本地化支持和优化。

核心特色

• 🤖 多智能体协作：模拟真实交易公司的专业分工，通过多个AI智能体协作评估市场条件
• 🇨🇳 中文优化：完整的中文界面、文档体系和A股市场支持
• 🧠 国产LLM集成：深度集成阿里、Google AI等多种大语言模型
• 🌐 Web界面：基于Streamlit的现代化Web管理界面
• 📊 数据库支持：MongoDB + Redis 双数据库架构，提供智能缓存和数据持久化

系统架构

智能体团队结构

TradingAgents-CN 采用多智能体协作架构，包含以下专业团队：

1. 分析师团队

• 基本面分析师：分析公司财务状况、行业趋势、宏观经济因素
• 技术面分析师：分析价格走势、技术指标、图表模式
• 新闻分析师：分析财经新闻、公司公告、市场动态
• 社交媒体分析师：分析市场情绪、投资者情绪、社交媒体讨论

2. 研究员团队

• 看涨研究员：从乐观角度分析投资机会
• 看跌研究员：从谨慎角度分析投资风险
• 结构化辩论：通过观点碰撞提高决策质量

3. 交易决策层

• 交易员智能体：基于所有分析输入做出最终交易决策
• 风险管理：多层次风险评估和管理机制
• 管理层：协调各团队工作，确保决策质量

技术架构

核心技术栈

技术领域	使用技术	版本要求
🐍 核心语言	Python	3.10+
🧠 AI框架	LangChain, LangGraph	最新版
🌐 Web界面	Streamlit	1.28+
🗄️ 数据库	MongoDB, Redis	4.4+, 6.0+
📊 数据处理	Pandas, NumPy	最新版
🔌 API集成	通达信API, FinnHub, Google News	-

数据流架构

1. 数据获取：多源数据接入（A股、美股、新闻、社交媒体）
2. 智能缓存：Redis毫秒级缓存 + MongoDB持久化存储
3. 多智能体处理：并行分析，协作决策
4. 结果输出：结构化投资建议和风险评估

核心功能

1. 多市场支持

A股市场（🇨🇳）

• 实时行情：通达信API提供实时股价数据
• 历史数据：支持历史K线、技术指标计算
• 股票代码：支持沪深股票代码（如：000001, 600519, 300750）

美股市场（🇺🇸）

• 实时数据：FinnHub、Yahoo Finance提供美股数据
• 支持股票：AAPL, TSLA, NVDA, MSFT 等主流美股

2. 大语言模型集成

国产LLM（推荐）

# 阿里百炼配置
config = {
    "llm_provider": "dashscope",
    "deep_think_llm": "qwen-plus",      # 深度分析
    "quick_think_llm": "qwen-turbo"     # 快速任务
}

国际LLM

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

3. 智能分析等级

系统提供5级研究深度：

级别	分析时间	适用场景	成本
1级	2-4分钟	日常监控	低
2级	4-6分钟	常规投资	中低
3级	6-10分钟	重要决策（推荐）	中
4级	10-15分钟	重大投资	中高
5级	15-25分钟	最重要决策	高

4. Web管理界面

主要功能

• 🎛️ 配置管理：API密钥管理、模型选择、系统配置
• 💰 成本控制：实时Token使用统计和成本追踪
• 📊 分析监控：实时显示分析过程和进度
• 💾 缓存管理：数据缓存状态监控和管理

界面特色

• 完全中文化：界面和分析结果全中文显示
• 实时进度：可视化分析过程，避免等待焦虑
• 结构化输出：投资建议、目标价位、置信度、风险评估

安装与部署

系统要求

• Python 3.10+
• 4GB+ RAM（推荐8GB+）
• 稳定的网络连接

快速安装

# 1. 克隆项目
git clone https://github.com/hsliuping/TradingAgents-CN.git
cd TradingAgents-CN

# 2. 创建虚拟环境
python -m venv env
source env/bin/activate  # Linux/macOS
# 或 env\Scripts\activate  # Windows

# 3. 安装依赖
pip install -r requirements.txt

# 4. 配置环境变量
cp .env.example .env
# 编辑 .env 文件，配置API密钥

环境配置

# 必需配置
DASHSCOPE_API_KEY=your_dashscope_api_key_here
FINNHUB_API_KEY=your_finnhub_api_key_here

# 可选配置
GOOGLE_API_KEY=your_google_api_key_here
OPENAI_API_KEY=your_openai_api_key
ANTHROPIC_API_KEY=your_anthropic_api_key

# 数据库配置（可选）
MONGODB_ENABLED=false
REDIS_ENABLED=false

启动服务

# 启动Web界面
streamlit run web/app.py

# 访问地址：http://localhost:8501

使用示例

1. Web界面使用

1. 在浏览器中访问 http://localhost:8501
2. 输入股票代码（如：AAPL 或 000001）
3. 选择研究深度（推荐3级）
4. 点击"开始分析"
5. 查看结构化分析结果

2. 程序化调用

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

# 配置系统
config = DEFAULT_CONFIG.copy()
config["llm_provider"] = "dashscope"
config["deep_think_llm"] = "qwen-plus"

# 创建交易智能体
ta = TradingAgentsGraph(debug=True, config=config)

# 分析股票
state, decision = ta.propagate("AAPL", "2024-01-15")

# 输出结果
print(f"推荐动作: {decision['action']}")
print(f"置信度: {decision['confidence']:.1%}")
print(f"风险评分: {decision['risk_score']:.1%}")

3. 成本优化配置

# 低成本配置
cost_optimized_config = {
    "deep_think_llm": "qwen-turbo",     # 使用更便宜的模型
    "quick_think_llm": "qwen-turbo",
    "max_debate_rounds": 1,             # 减少辩论轮数
    "online_tools": False               # 使用缓存数据
}

# 成本估算
# 经济模式: $0.01-0.05/次分析
# 标准模式: $0.05-0.15/次分析
# 高精度模式: $0.10-0.30/次分析

数据库集成

MongoDB + Redis 架构

# 使用Docker启动数据库
docker-compose up -d

# 检查服务状态
docker-compose ps

多层数据源策略

系统采用智能降级策略确保高可用性：

1. Redis缓存（毫秒级）：热点数据快速访问
2. MongoDB存储（秒级）：历史数据持久化
3. 通达信API（秒级）：实时数据获取
4. 本地缓存（备用）：离线数据支持

文档体系

项目提供超过50,000字的详细中文文档：

• 📋 项目概览：快速了解项目核心价值
• 🏛️ 系统架构：深度解析多智能体协作机制
• 🤖 智能体详解：各类智能体功能说明
• 📊 数据处理：数据源集成和处理流程
• 💡 示例教程：从基础到高级的实战教程
• 🆘 FAQ：常见问题和解决方案

贡献指南

欢迎各种形式的贡献：

1. Fork 项目
2. 创建特性分支：git checkout -b feature/AmazingFeature
3. 提交更改：git commit -m 'Add some AmazingFeature'
4. 推送到分支：git push origin feature/AmazingFeature
5. 创建 Pull Request

风险声明

⚠️ 重要提醒：

• 本框架仅用于研究和教育目的
• 不构成投资建议
• AI模型预测存在不确定性
• 投资有风险，决策需谨慎
• 建议咨询专业财务顾问

TradingAgents-CN 致力于为中文用户提供世界一流的AI金融交易决策框架，推动AI技术在中国金融科技领域的创新应用。