TauricResearch/TradingAgents

TradingAgents: Multi-Agents LLM Financial Trading Framework

這是什麼

TradingAgents 是以大型語言模型模擬交易研究團隊的 Python 框架。它不讓單一模型直接回答「該不該買」，而是把工作拆成基本面、情緒、新聞與技術分析，再交給多空研究員辯論、交易員整合，最後由風控與投資組合經理審核。README 描述的核准流程通往模擬交易所，不應把它理解成接上券商即可實盤獲利的工具。

這套架構的價值是把決策過程拆開檢視：分析師先平行產出報告，再展開研究辯論。讀者能沿著不同角色的論點理解結論，而不只看到一句買賣建議；但角色增加，也不代表資料或推論自然變得正確。

為什麼上榜

本次選文資料顯示，專案累積 116,063 顆星，日榜期間新增 1,395 顆。README 十月更新包含 ChatGPT Plus／Pro 訂閱登入、單頁 HTML 報告，以及讓管理者與分析師使用不同模型的設定。這些改動把研究框架往更容易操作、閱讀與配置的方向推進，但無法僅憑星數判斷使用者追捧的確切原因。

比起「AI 幫你選股」，更值得關注的是回測的時間一致性：更新說明強調只使用分析日期當時已發布的資料，並從決策後第一個收盤價開始評分。這是在處理回測偷看未來的問題，而不是宣稱已證明穩定獲利；評估工具時，應把資料時點與報酬敘事分開看。

適合誰，可以拿來做什麼

適合想研究多代理協作、金融資料分析與回測流程的開發者。可以選定股票與分析日期，觀察多空論證及風控如何影響最終決策，也可比較不同模型配置。它有命令列介面、Docker 與 Ollama 支援，但仍需處理模型來源、資料服務與設定，不是零門檻投資 App。

若要排程研究，README 提供 CLI 旗標與環境變數，可跳過互動提問；缺少必要答案時，非互動執行會停止並指出要補的設定。自架時也要留意：本地模型不等於所有金融資料都來自本機。

上手

需要 Python 3.11 以上。以下採 README 提供的 uv 路徑：

git clone https://github.com/TauricResearch/TradingAgents.git
cd TradingAgents
uv venv --python 3.13
source .venv/bin/activate
uv pip install .
cp .env.example .env
tradingagents

啟動前先在 .env 填入所選供應商的金鑰與必要設定，再於介面選股票、日期與研究深度。若使用 ChatGPT 訂閱，可先執行 tradingagents login chatgpt，並選 Subscription；執行仍計入方案用量限制。

README 重點摘要

• 角色分工涵蓋四類分析師、多空研究員、交易員與風控審核，不只是多個模型輪流聊天。
• 模型來源可替換，包含多家雲端供應商、Ollama 與 OpenAI 相容端點。
• 報告可保存為單頁 HTML，便於在瀏覽器閱讀研究結果。
• Docker 資料持久化預設使用 tradingagents_data volume，也可設定主機資料夾。
• 僅供研究、不是投資建議；README 明示表現受模型、溫度、交易期間與資料品質等因素影響。