【方正金工】多智能体投资交易系统TradingAgents部署与应用——AI Agent赋能金融投研应用系列之一

（来源：市场投研资讯）

本文来自方正证券研究所于2025年9月7日发布的报告《多智能体投资交易系统TradingAgents部署与应用——AI Agent赋能金融投研应用系列之一》，欲了解具体内容，请阅读报告原文，分析师：曹春晓 S1220522030005。

近两年，大语言模型（LLM）与智能体（AI Agent）技术以颠覆性姿态重塑全球科技格局，从模型能力跃迁到产业深度融合，其发展速度与广度远超预期。海外科技巨头OpenAI、谷歌、Anthropic等不断推陈出新，模型迭代升级进度明显加快，国内科技公司也在不断追赶，AI行业的快速发展正在重塑各行业生态。

金融市场由于其高度复杂和瞬息万变的特征，通用大模型应用于金融市场时存在较多问题，特别是投资研究领域，对数据质量和合规风控的要求极高，同时对模型幻觉的容忍度很低。

近期，UCLA、MIT以及Tauric Research学者发布的论文《TradingAgents: Multi-Agents LLM Financial Trading Framework》中，提出了一种受交易公司启发的股票交易框架，该框架由LLM驱动的若干个专业化智能体构成，包括由基本面分析师Agent、技术面分析师Agent、情绪分析师Agent、新闻分析师Agent等构成分析师团队，由评估市场条件的多头/空头研究员Agent构成的研究团队，监控风险敞口的风险管理团队，以及通过辩论和历史数据综合决策的交易员Agent等。平台能够协同评估市场状况并制定交易决策，这些智能体还可以进行动态讨论以确定最优策略。

本文中我们对TradingAgents架构进行了本地部署、修改与测试，TradingAgents平台不仅可以对当前股票信息进行综合分析，也可以进行历史回测。

从案例分析结果来看，TradingAgents框架已基本实现了投资交易的主要环节，对于投研工作有较好的辅助支持。但其分析结果一方面依赖于高质量的数据源，另一方面也需要注意大模型幻觉产生的错误导向。因此实际使用中仍需要投研人员结合各方面的信息进行综合判断。

此外，从测试结果来看，主流海外大模型的使用成本依然较高，相较而言DeepSeek模型的性价比极高。未来随着算力不断提升，模型能力的进一步加强以及大模型成本的不断下降，AI智能体在金融投研中的应用或可进一步深入并更加贴近实战，真正帮助投研人员提升投研效率，辅助决策。

本报告基于历史数据分析，历史规律未来可能存在失效的风险；本报告中的案例仅供测试使用，不构成投资建议；AI大模型回答结果不一，生成结论可能存在错误。

1 AI行业的快速发展正在重塑各行业生态

近两年，大语言模型（LLM）与智能体（AI Agent）技术以颠覆性姿态重塑全球科技格局，从模型能力跃迁到产业深度融合，其发展速度与广度远超预期。海外科技巨头OpenAI、谷歌、Anthropic等不断推陈出新，模型迭代升级进度明显加快，国内科技公司也在不断追赶，AI行业的快速发展正在重塑各行业生态。

金融市场由于其高度复杂和瞬息万变的特征，通用大模型应用于金融市场时存在较多问题，特别是投资研究领域，对数据质量和合规风控的要求极高，同时对模型幻觉的容忍度很低。但利用大语言模型与智能体辅助投研工作，已有较多成功案例。在方正金工DeepSeek应用系列研究报告中，我们曾以DeepSeek模型为出发点，介绍DeepSeek等大语言模型，以及Manus、Flowith、扣子空间等通用智能体如何赋能金融投研工作。

近期，UCLA、MIT以及Tauric Research学者发布的论文《TradingAgents: Multi-Agents LLM Financial Trading Framework》中，提出了一种受交易公司启发的股票交易框架，该框架由LLM驱动的若干个专业化智能体构成，包括由基本面分析师Agent、技术面分析师Agent、情绪分析师Agent、新闻分析师Agent等构成分析师团队，由评估市场条件的多头/空头研究员Agent构成的研究团队，监控风险敞口的风险管理团队，以及通过辩论和历史数据综合决策的交易员Agent等。平台能够协同评估市场状况并制定交易决策，这些智能体还可以进行动态讨论以确定最优策略。

2 TradingAgents架构解析

2.1 分析师团队（Analyst Team）

在TradingAgents架构中，分析师团队由专业化的智能体组成，负责收集和分析市场量价信息、基本面信息、新闻信息、社交媒体信息等各类数据，为交易决策提供依据。每个智能体专注于分析特定领域，共同构建一个全面的分析师团队。

在分析师团队中，不同智能体各司其职。其中基本面分析师Agent通过分析财务报表等来评估公司财务和业绩指标，识别内在价值和潜在风险信号；情绪分析师Agent则通过处理大量社交媒体信息，评估市场情绪，预测投资者行为对股价的短期影响；新闻分析师Agent通过解析新闻文章、政府公告及宏观经济指标，识别可能引发市场波动的新闻事件，预判突发性行情的影响等；技术分析师Agent通过计算特定技术指标（如MACD、RSI等），结合价格形态与交易量分析预测未来走势，辅助判断最佳入场离场时机。

2.2 研究员团队（Researcher Team）

TradingAgents的研究员团队负责评估分析师团队提供的信息。该团队由持有多头与空头观点的智能体组成，并通过多轮辩论来综合评估投资决策的潜在风险与收益。

多头研究员Agent强调积极指标、增长潜力和有利的市场条件，构建支持建仓或持仓的论据。空头研究员Agent则聚焦潜在下行风险、不利市场信号，提供警示性见解，质疑投资策略可行性并提示负面结果。

通过多空研究员Agent的辩论，研究员团队的目标在于达成对市场状况的平衡认知，进而辅助交易员Agent做出合理的投资决策。

2.3 交易员智能体（Trader Agents）

TradingAgents中，交易员智能体主要负责依据分析师团队的综合分析与研究员团队的辩论结果，来执行交易决策。

2.4风险管理团队（Risk Management Team）

如上文所述，金融投研中合规风控的要求极高，在TradingAgents中，由风险管理团队来负责评估市场波动性、流动性及其他风险因素，持续监控投资组合风险，以确保交易活动保持在预定风险参数内并符合监管要求。

3 TradingAgents本地部署与应用

3.1TradingAgents本地部署

TradingAgents的核心架构已开源，并在github上获得了超过1.9万stars，显示了开发人员对这一模拟交易架构的认可和支持。在诸多衍生的版本中，专为中文用户优化的TradingAgents-CN项目，集成了国产大模型并提供完整的A股、港股和美股的分析能力。本文中我们将以TradingAgents-CN为例，来介绍如何实现本地多智能体交易系统的部署和测试。

TradingAgents-CN本地部署步骤：

# 1. 安装python

1）访问https://www.anaconda.com/download

2）下载anaconda3安装包并运行安装

# 2. 克隆项目

1）克隆TradingAgents或TradingAgents-CN项目文件

2）cd TradingAgents-CN

# 3. 创建虚拟环境

1）conda create -n tradingagents python=3.11

2）conda activate tradingagents

# 4. 安装所有依赖

pip install -r requirements.txt

# 5. 申请和配置必要的API秘钥

修改.env文件内的API接口信息

# 6. 启动应用

python start_web.py

在上述过程中，API接口的配置至关重要，在TradingAgents项目中，智能体通过调用大模型API来实现研究和分析任务，本地算力消耗较低，普通用户均可进行本地部署和应用。这里我们需要首先配置金融数据接口，如Tushare、FinnHub等数据源API，其次需要配置需要的大模型的API（OpenAI、Google、Anthropic、DeepSeek等）。由于金融投研工作对数据质量的要求极高，因此我们建议新增更为专业的数据源Wind接口。对于需要使用海外大模型的用户，我们建议可以通过配置OpenRouter API来实现一键使用众多海外主流大模型。

3.2 新增Wind数据源接口

相较于开源或免费的数据源接口如Tushare、Akshare、FinnHub等，Wind是国内最专业和主流的数据供应商之一，本节中我们将展示如何在TradingAgents框架中添加Wind数据源接口，并通过降级策略来实现不同数据源接口的切换。

TradingAgents所有与数据源相关的接口和处理逻辑，都在\tradingagents\dataflows\下，我们首先需要在data_source_manager.py和interface.py文件中分别添加对Wind数据源的支持。

然后需要新建python文件：wind_utils.py、wind_adapter.py，以实现从wind API提取及处理数据的逻辑。

3.3 TradingAgents-CN股票分析平台测试

接下来我们测试修改完的TradingAgents-CN平台，我们按照上述步骤启动服务后，即可在浏览器中打开：http://localhost:8501/进行研究分析。

TradingAgents-CN平台页面较为简洁，左侧为配置栏，这里可以选择我们需要的大模型API，对于日常分析任务，我们建议选择高性价比的DeepSeek V3模型，如需要海外大模型支持，除直接配置各平台API外，可通过OpenRouter API一键使用主流大模型。

接下来我们以寒武纪-U（688256）为例，测试TradingAgents平台的性能。此处我们选择优先使用Wind API来提取数据，备用数据源为Akshare，大模型API我们通过OpenRouter选择openai的o4-mini-high模型。

运行结束后，TradingAgents-CN平台会给出明确的投资建议（买入、持有、卖出），并且在市场技术分析、基本面分析、新闻事件分析页面给出相应Agents的详细分析结果（注：以下结果均有AI Agents生成，仅作为案例展示，不构成投资建议）。

除上述分析结果外，在风险评估和投资建议页面，激进分析师、保守分析师分别给出了看多及看空的理由和解释，风险管理团队则根据各方观点及风控要求给出最终决策建议。从流程上可以看到，TradingAgents-CN平台较为完整的体现了投资交易的主要流程，且对于A股、港股、美股都可进行较为完善的分析。目前A股市场缺乏有效的社交媒体数据接口，因此情绪分析师Agents暂不适合A股分析，其他模块已基本完善。

3.4 基于TradingAgents-CN的股票历史回测

TradingAgents-CN支持历史回测，可以针对单只股票进行历史回测，也可对不股票进行分析以构建投资组合。这里我们分别以贵州茅台、宁德时代、万华化学、寒武纪-U为例，通过TradingAgents-CN对其2023年12月底以来的观点进行回测分析。每月末最后一个交易日进行分析，并根据其投资建议进行买入或卖出操作。注意由于A股市场只能做多不能做空，因此在TradingAgents没有明确发出买入信号之前，均保持空仓状态。买入之后再次发出买入信号或发出持有信号，均保持持仓不变，当明确发出卖出信号后，则再次空仓。

为节约时间和成本，此处我们仅使用市场分析师和基本面分析师的观点，大模型选择Deepseek V3，研究员Agents的辩论周期为2轮，测试结果仅做案例展示，不构成投资建议。

如下图所示，在对贵州茅台的历史回测分析中，TradingAgents在2024年5月底开始空仓，并在2024年8月底看多买入，在2024年以来相较于买入持有策略获得了较为可观的相对收益。在对宁德时代的历史回测中，同样也相较于买入持有策略有一定的超额收益。

然而在对万华化学的分析中，TradingAgents给出的买入信号相对较少，大部分时间给出了卖出或持有的观点，虽然规避了2025年上半年的下跌行情，但在2024年的表现相对较差。而对于寒武纪-U的分析结果来看，由于寒武纪-U本身估值相对较高，TradingAgents仅基于技术指标和基本面数据的分析，自2024年以来尚未发出过买入信号。

从上述分析结果可以看到，TradingAgents框架已基本实现了投资交易的主要环节，对于投研工作有较好的辅助支持。但其分析结果一方面依赖于高质量的数据源，另一方面也需要注意大模型幻觉产生的错误导向。因此实际使用中仍需要投研人员结合各方面的信息进行综合判断。

此外，从测试结果来看，主流海外大模型的使用成本依然较高，相较而言DeepSeek模型的性价比极高。未来随着算力不断提升，模型能力的进一步加强以及大模型成本的不断下降，AI智能体在金融投研中的应用或可进一步深入并更加贴近实战，真正帮助投研人员提升投研效率，辅助交易决策。

4 风险提示

本报告基于历史数据分析，历史规律未来可能存在失效的风险；本报告中的案例仅供测试使用，不构成投资建议；AI大模型回答结果不一，生成结论可能存在错误。

近期报告