TradingAgents-CN用4个AI角色把一只A股从新闻、K线到风险各审一遍产出可导出的买卖建议【免费下载链接】TradingAgents-CN基于多智能体LLM的中文金融交易框架 - TradingAgents中文增强版项目地址: https://gitcode.com/GitHub_Trending/tr/TradingAgents-CNTradingAgents-CN 是一个基于多智能体 LLM 的中文金融交易框架面向想研究 AI 股票分析系统的开发者和研究者。它不靠单条提示词硬扛全部分析而是把任务拆给分析师、研究员、交易员、风控四类 AI 角色按多智能体协作架构依次传递结论。一个人做不完的一次分析给一只股票做研究意味着同时看新闻情绪、均线与 RSI相对强弱指数等技术指标、财报里的 ROE净资产收益率最后还要替自己回答激进/保守各会怎么判断。一个人手工做费时把全部信息塞进一个大模型一次性提问信号又容易互相污染。TradingAgents-CN 的拆法是把这四类工作分给不同角色让每个角色只处理自己那一层中间结论沿图结构单向传递。全貌一张多智能体协作架构图当前 v1.0.x 架构为 FastAPI 后端 Vue 3 前端配 MongoDB 与 Redis 双数据库分析核心在tradingagents/graph/的 LangGraph 图结构中。数据源雅虎财经、彭博、FinHub 等进入分析师角色分析师产出交给多空研究员辩论研究员结论流向交易员交易员方案再经激进/中立/保守三方风控评估最后由经理角色输出决策。各角色分工分析师四维度收集与数据整理研究员多空两方辩证辩论交易员生成交易提案风控三方激进/中立/保守评估经理汇总为最终决策从克隆到跑通Docker Compose 一条命令推荐 Docker 路径compose 文件会一并拉起后端、前端、MongoDB、Redis克隆后只需补 API Key 再启动git clone https://gitcode.com/GitHub_Trending/tr/TradingAgents-CN cd TradingAgents-CN cp .env.example .env # 在 .env 中填入至少一家 LLM 的 API Key docker compose up -d启动后访问 3000 端口的前端页面。偏好本地 Python 环境的可跳过 Docker参考 快速安装指南 或运行scripts/setup/quick_install.py。跟一只股票走完全流程以平安银行000001.SZ为例。在分析页输入代码后系统沿图结构依次调度各角色。新闻面系统筛出了什么新闻分析师从多来源抓取公告与行业动态经质量评估过滤低质内容再输出情感倾向判断。该环节是 TradingAgents-CN 相对原版的中文增强重点过滤逻辑在tradingagents/utils/enhanced_news_filter.py。技术面指标怎么算的市场分析师调用tradingagents/tools/analysis/indicators.py计算均线、RSI、MACD移动平均收敛发散、布林带输出带数值与解读的技术快照供后续角色引用而非各自重算。决策买卖建议怎么来的多空研究员先辩论交易员再基于辩论纪要给出仓位与买卖提案风控环节由三方辩论者给出不同风险偏好下的态度经理角色汇总成最终决策。最终产出是一份完整的分析报告经app/utils/report_exporter.py可导出 Markdown、Word、PDF 三种格式。拆开架构看数据层、模型层、服务层数据层tradingagents/dataflows/providers/按市场分目录china/下有 Tushare、AkShare、BaoStock 三个适配器和统一路由data_source_manager.py含多级降级链美股在us/yfinance、Finnhub、Alpha Vantage港股在hk/。数据源优先级与开关集中在.env。模型层tradingagents/llm_clients/封装 OpenAI、Google、Anthropic 及 OpenAI 兼容端点factory.py按 provider 键建连model_catalog.py管理模型目录.env中按OPENAI_API_KEY、DEEPSEEK_API_KEY、DASHSCOPE_API_KEY等分别配置Web 端配置页支持在线切换。服务层app/routers/提供约 37 个 REST 路由SSEapp/routers/sse.py与 WebSocketapp/routers/websocket_notifications.py双通道推送分析进度MongoDB 存行情与新闻Redis 承担缓存、进度跟踪与限流批量分析任务由app/worker/中的异步 worker 消费。v1.0 相对 v0.1 的要点后端由 Streamlit 迁至 FastAPI前端换成 Vue 3 Element Plus数据库从可选 MongoDB 变为 MongoDB Redis 双库新增批量分析、SSE/WebSocket 进度推送能拿来做什么单股全流程分析输入代码与分析日期由tradingagents/graph/trading_graph.py编排全部角色输出报告文件。多维指标选股app/services/enhanced_screening_service.py按 PE、PB、ROE、涨跌幅等条件在 MongoDB 视图上筛选入口路由app/routers/screening.py。报告导出app/utils/report_exporter.py输出 Markdown/Word/PDFPDF 依赖wkhtmltopdf未装时自动降级跳过。目前明确不做的事不产生实盘交易接口输出止于建议港股、美股可用但数据源与新闻覆盖窄于 A 股。边界与合规使用前提有三条分析前先完成数据同步scripts/akshare_sync_optimized.py、scripts/sync_financial_data.py等否则指标失真必须配置至少一个可用的 LLM API Key行情时效取决于同步频率。本框架定位研究与教育用途不构成投资建议AI 预测存在不确定性历史表现不代表未来。继续往下走快速入门从部署到首次分析的完整路径A 股分析指南数据同步与分析参数细节批量分析示例 与 框架测试集读源码前先看行为接下来你可以挑一只熟悉的 A 股跑一遍对照四类角色的原始输出看多智能体分析流程在哪里产生了分歧。【免费下载链接】TradingAgents-CN基于多智能体LLM的中文金融交易框架 - TradingAgents中文增强版项目地址: https://gitcode.com/GitHub_Trending/tr/TradingAgents-CN创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考
TradingAgents-CN：用4个AI角色把一只A股从新闻、K线到风险各审一遍，产出可导出的买卖建议
TradingAgents-CN用4个AI角色把一只A股从新闻、K线到风险各审一遍产出可导出的买卖建议【免费下载链接】TradingAgents-CN基于多智能体LLM的中文金融交易框架 - TradingAgents中文增强版项目地址: https://gitcode.com/GitHub_Trending/tr/TradingAgents-CNTradingAgents-CN 是一个基于多智能体 LLM 的中文金融交易框架面向想研究 AI 股票分析系统的开发者和研究者。它不靠单条提示词硬扛全部分析而是把任务拆给分析师、研究员、交易员、风控四类 AI 角色按多智能体协作架构依次传递结论。一个人做不完的一次分析给一只股票做研究意味着同时看新闻情绪、均线与 RSI相对强弱指数等技术指标、财报里的 ROE净资产收益率最后还要替自己回答激进/保守各会怎么判断。一个人手工做费时把全部信息塞进一个大模型一次性提问信号又容易互相污染。TradingAgents-CN 的拆法是把这四类工作分给不同角色让每个角色只处理自己那一层中间结论沿图结构单向传递。全貌一张多智能体协作架构图当前 v1.0.x 架构为 FastAPI 后端 Vue 3 前端配 MongoDB 与 Redis 双数据库分析核心在tradingagents/graph/的 LangGraph 图结构中。数据源雅虎财经、彭博、FinHub 等进入分析师角色分析师产出交给多空研究员辩论研究员结论流向交易员交易员方案再经激进/中立/保守三方风控评估最后由经理角色输出决策。各角色分工分析师四维度收集与数据整理研究员多空两方辩证辩论交易员生成交易提案风控三方激进/中立/保守评估经理汇总为最终决策从克隆到跑通Docker Compose 一条命令推荐 Docker 路径compose 文件会一并拉起后端、前端、MongoDB、Redis克隆后只需补 API Key 再启动git clone https://gitcode.com/GitHub_Trending/tr/TradingAgents-CN cd TradingAgents-CN cp .env.example .env # 在 .env 中填入至少一家 LLM 的 API Key docker compose up -d启动后访问 3000 端口的前端页面。偏好本地 Python 环境的可跳过 Docker参考 快速安装指南 或运行scripts/setup/quick_install.py。跟一只股票走完全流程以平安银行000001.SZ为例。在分析页输入代码后系统沿图结构依次调度各角色。新闻面系统筛出了什么新闻分析师从多来源抓取公告与行业动态经质量评估过滤低质内容再输出情感倾向判断。该环节是 TradingAgents-CN 相对原版的中文增强重点过滤逻辑在tradingagents/utils/enhanced_news_filter.py。技术面指标怎么算的市场分析师调用tradingagents/tools/analysis/indicators.py计算均线、RSI、MACD移动平均收敛发散、布林带输出带数值与解读的技术快照供后续角色引用而非各自重算。决策买卖建议怎么来的多空研究员先辩论交易员再基于辩论纪要给出仓位与买卖提案风控环节由三方辩论者给出不同风险偏好下的态度经理角色汇总成最终决策。最终产出是一份完整的分析报告经app/utils/report_exporter.py可导出 Markdown、Word、PDF 三种格式。拆开架构看数据层、模型层、服务层数据层tradingagents/dataflows/providers/按市场分目录china/下有 Tushare、AkShare、BaoStock 三个适配器和统一路由data_source_manager.py含多级降级链美股在us/yfinance、Finnhub、Alpha Vantage港股在hk/。数据源优先级与开关集中在.env。模型层tradingagents/llm_clients/封装 OpenAI、Google、Anthropic 及 OpenAI 兼容端点factory.py按 provider 键建连model_catalog.py管理模型目录.env中按OPENAI_API_KEY、DEEPSEEK_API_KEY、DASHSCOPE_API_KEY等分别配置Web 端配置页支持在线切换。服务层app/routers/提供约 37 个 REST 路由SSEapp/routers/sse.py与 WebSocketapp/routers/websocket_notifications.py双通道推送分析进度MongoDB 存行情与新闻Redis 承担缓存、进度跟踪与限流批量分析任务由app/worker/中的异步 worker 消费。v1.0 相对 v0.1 的要点后端由 Streamlit 迁至 FastAPI前端换成 Vue 3 Element Plus数据库从可选 MongoDB 变为 MongoDB Redis 双库新增批量分析、SSE/WebSocket 进度推送能拿来做什么单股全流程分析输入代码与分析日期由tradingagents/graph/trading_graph.py编排全部角色输出报告文件。多维指标选股app/services/enhanced_screening_service.py按 PE、PB、ROE、涨跌幅等条件在 MongoDB 视图上筛选入口路由app/routers/screening.py。报告导出app/utils/report_exporter.py输出 Markdown/Word/PDFPDF 依赖wkhtmltopdf未装时自动降级跳过。目前明确不做的事不产生实盘交易接口输出止于建议港股、美股可用但数据源与新闻覆盖窄于 A 股。边界与合规使用前提有三条分析前先完成数据同步scripts/akshare_sync_optimized.py、scripts/sync_financial_data.py等否则指标失真必须配置至少一个可用的 LLM API Key行情时效取决于同步频率。本框架定位研究与教育用途不构成投资建议AI 预测存在不确定性历史表现不代表未来。继续往下走快速入门从部署到首次分析的完整路径A 股分析指南数据同步与分析参数细节批量分析示例 与 框架测试集读源码前先看行为接下来你可以挑一只熟悉的 A 股跑一遍对照四类角色的原始输出看多智能体分析流程在哪里产生了分歧。【免费下载链接】TradingAgents-CN基于多智能体LLM的中文金融交易框架 - TradingAgents中文增强版项目地址: https://gitcode.com/GitHub_Trending/tr/TradingAgents-CN创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考