【方正金工】多智能體投資交易系統TradingAgents部署與應用——AI Agent賦能金融投研應用系列之一

（來源：市場投研資訊）

本文來自方正證券研究所於2025年9月7日發佈的報告《多智能體投資交易系統TradingAgents部署與應用——AI Agent賦能金融投研應用系列之一》，欲瞭解具體內容，請閲讀報告原文，分析師：曹春曉 S1220522030005。

近兩年，大語言模型（LLM）與智能體（AI Agent）技術以顛覆性姿態重塑全球科技格局，從模型能力躍遷到產業深度融合，其發展速度與廣度遠超預期。海外科技巨頭OpenAI、谷歌、Anthropic等不斷推陳出新，模型迭代升級進度明顯加快，國內科技公司也在不斷追趕，AI行業的快速發展正在重塑各行業生態。

金融市場由於其高度複雜和瞬息萬變的特徵，通用大模型應用於金融市場時存在較多問題，特別是投資研究領域，對數據質量和合規風控的要求極高，同時對模型幻覺的容忍度很低。

近期，UCLA、MIT以及Tauric Research學者發佈的論文《TradingAgents: Multi-Agents LLM Financial Trading Framework》中，提出了一種受交易公司啓發的股票交易框架，該框架由LLM驅動的若干個專業化智能體構成，包括由基本面分析師Agent、技術面分析師Agent、情緒分析師Agent、新聞分析師Agent等構成分析師團隊，由評估市場條件的多頭/空頭研究員Agent構成的研究團隊，監控風險敞口的風險管理團隊，以及通過辯論和歷史數據綜合決策的交易員Agent等。平臺能夠協同評估市場狀況並制定交易決策，這些智能體還可以進行動態討論以確定最優策略。

本文中我們對TradingAgents架構進行了本地部署、修改與測試，TradingAgents平臺不僅可以對當前股票信息進行綜合分析，也可以進行歷史回測。

從案例分析結果來看，TradingAgents框架已基本實現了投資交易的主要環節，對於投研工作有較好的輔助支持。但其分析結果一方面依賴於高質量的數據源，另一方面也需要注意大模型幻覺產生的錯誤導向。因此實際使用中仍需要投研人員結合各方面的信息進行綜合判斷。

此外，從測試結果來看，主流海外大模型的使用成本依然較高，相較而言DeepSeek模型的性價比極高。未來隨着算力不斷提升，模型能力的進一步加強以及大模型成本的不斷下降，AI智能體在金融投研中的應用或可進一步深入並更加貼近實戰，真正幫助投研人員提升投研效率，輔助決策。

本報告基於歷史數據分析，歷史規律未來可能存在失效的風險；本報告中的案例僅供測試使用，不構成投資建議；AI大模型回答結果不一，生成結論可能存在錯誤。

1 AI行業的快速發展正在重塑各行業生態

近兩年，大語言模型（LLM）與智能體（AI Agent）技術以顛覆性姿態重塑全球科技格局，從模型能力躍遷到產業深度融合，其發展速度與廣度遠超預期。海外科技巨頭OpenAI、谷歌、Anthropic等不斷推陳出新，模型迭代升級進度明顯加快，國內科技公司也在不斷追趕，AI行業的快速發展正在重塑各行業生態。

金融市場由於其高度複雜和瞬息萬變的特徵，通用大模型應用於金融市場時存在較多問題，特別是投資研究領域，對數據質量和合規風控的要求極高，同時對模型幻覺的容忍度很低。但利用大語言模型與智能體輔助投研工作，已有較多成功案例。在方正金工DeepSeek應用系列研究報告中，我們曾以DeepSeek模型為出發點，介紹DeepSeek等大語言模型，以及Manus、Flowith、釦子空間等通用智能體如何賦能金融投研工作。

近期，UCLA、MIT以及Tauric Research學者發佈的論文《TradingAgents: Multi-Agents LLM Financial Trading Framework》中，提出了一種受交易公司啓發的股票交易框架，該框架由LLM驅動的若干個專業化智能體構成，包括由基本面分析師Agent、技術面分析師Agent、情緒分析師Agent、新聞分析師Agent等構成分析師團隊，由評估市場條件的多頭/空頭研究員Agent構成的研究團隊，監控風險敞口的風險管理團隊，以及通過辯論和歷史數據綜合決策的交易員Agent等。平臺能夠協同評估市場狀況並制定交易決策，這些智能體還可以進行動態討論以確定最優策略。

2 TradingAgents架構解析

2.1 分析師團隊（Analyst Team）

在TradingAgents架構中，分析師團隊由專業化的智能體組成，負責收集和分析市場量價信息、基本面信息、新聞信息、社交媒體信息等各類數據，為交易決策提供依據。每個智能體專注於分析特定領域，共同構建一個全面的分析師團隊。

在分析師團隊中，不同智能體各司其職。其中基本面分析師Agent通過分析財務報表等來評估公司財務和業績指標，識別內在價值和潛在風險信號；情緒分析師Agent則通過處理大量社交媒體信息，評估市場情緒，預測投資者行為對股價的短期影響；新聞分析師Agent通過解析新聞文章、政府公告及宏觀經濟指標，識別可能引發市場波動的新聞事件，預判突發性行情的影響等；技術分析師Agent通過計算特定技術指標（如MACD、RSI等），結合價格形態與交易量分析預測未來走勢，輔助判斷最佳入場離場時機。

2.2 研究員團隊（Researcher Team）

TradingAgents的研究員團隊負責評估分析師團隊提供的信息。該團隊由持有多頭與空頭觀點的智能體組成，並通過多輪辯論來綜合評估投資決策的潛在風險與收益。

多頭研究員Agent強調積極指標、增長潛力和有利的市場條件，構建支持建倉或持倉的論據。空頭研究員Agent則聚焦潛在下行風險、不利市場信號，提供警示性見解，質疑投資策略可行性並提示負面結果。

通過多空研究員Agent的辯論，研究員團隊的目標在於達成對市場狀況的平衡認知，進而輔助交易員Agent做出合理的投資決策。

2.3 交易員智能體（Trader Agents）

TradingAgents中，交易員智能體主要負責依據分析師團隊的綜合分析與研究員團隊的辯論結果，來執行交易決策。

2.4風險管理團隊（Risk Management Team）

如上文所述，金融投研中合規風控的要求極高，在TradingAgents中，由風險管理團隊來負責評估市場波動性、流動性及其他風險因素，持續監控投資組合風險，以確保交易活動保持在預定風險參數內並符合監管要求。

3 TradingAgents本地部署與應用

3.1TradingAgents本地部署

TradingAgents的核心架構已開源，並在github上獲得了超過1.9萬stars，顯示了開發人員對這一模擬交易架構的認可和支持。在諸多衍生的版本中，專為中文用户優化的TradingAgents-CN項目，集成了國產大模型並提供完整的A股、港股和美股的分析能力。本文中我們將以TradingAgents-CN為例，來介紹如何實現本地多智能體交易系統的部署和測試。

TradingAgents-CN本地部署步驟：

# 1. 安裝python

1）訪問https://www.anaconda.com/download

2）下載anaconda3安裝包並運行安裝

# 2. 克隆項目

1）克隆TradingAgents或TradingAgents-CN項目文件

2）cd TradingAgents-CN

# 3. 創建虛擬環境

1）conda create -n tradingagents python=3.11

2）conda activate tradingagents

# 4. 安裝所有依賴

pip install -r requirements.txt

# 5. 申請和配置必要的API祕鑰

修改.env文件內的API接口信息

# 6. 啟動應用

python start_web.py

在上述過程中，API接口的配置至關重要，在TradingAgents項目中，智能體通過調用大模型API來實現研究和分析任務，本地算力消耗較低，普通用户均可進行本地部署和應用。這里我們需要首先配置金融數據接口，如Tushare、FinnHub等數據源API，其次需要配置需要的大模型的API（OpenAI、Google、Anthropic、DeepSeek等）。由於金融投研工作對數據質量的要求極高，因此我們建議新增更為專業的數據源Wind接口。對於需要使用海外大模型的用户，我們建議可以通過配置OpenRouter API來實現一鍵使用眾多海外主流大模型。

3.2 新增Wind數據源接口

相較於開源或免費的數據源接口如Tushare、Akshare、FinnHub等，Wind是國內最專業和主流的數據供應商之一，本節中我們將展示如何在TradingAgents框架中添加Wind數據源接口，並通過降級策略來實現不同數據源接口的切換。

TradingAgents所有與數據源相關的接口和處理邏輯，都在\tradingagents\dataflows\下，我們首先需要在data_source_manager.py和interface.py文件中分別添加對Wind數據源的支持。

然后需要新建python文件：wind_utils.py、wind_adapter.py，以實現從wind API提取及處理數據的邏輯。

3.3 TradingAgents-CN股票分析平臺測試

接下來我們測試修改完的TradingAgents-CN平臺，我們按照上述步驟啟動服務后，即可在瀏覽器中打開：http://localhost:8501/進行研究分析。

TradingAgents-CN平臺頁面較為簡潔，左側為配置欄，這里可以選擇我們需要的大模型API，對於日常分析任務，我們建議選擇高性價比的DeepSeek V3模型，如需要海外大模型支持，除直接配置各平臺API外，可通過OpenRouter API一鍵使用主流大模型。

接下來我們以寒武紀-U（688256）為例，測試TradingAgents平臺的性能。此處我們選擇優先使用Wind API來提取數據，備用數據源為Akshare，大模型API我們通過OpenRouter選擇openai的o4-mini-high模型。

運行結束后，TradingAgents-CN平臺會給出明確的投資建議（買入、持有、賣出），並且在市場技術分析、基本面分析、新聞事件分析頁面給出相應Agents的詳細分析結果（注：以下結果均有AI Agents生成，僅作為案例展示，不構成投資建議）。

除上述分析結果外，在風險評估和投資建議頁面，激進分析師、保守分析師分別給出了看多及看空的理由和解釋，風險管理團隊則根據各方觀點及風控要求給出最終決策建議。從流程上可以看到，TradingAgents-CN平臺較為完整的體現了投資交易的主要流程，且對於A股、港股、美股都可進行較為完善的分析。目前A股市場缺乏有效的社交媒體數據接口，因此情緒分析師Agents暫不適合A股分析，其他模塊已基本完善。

3.4 基於TradingAgents-CN的股票歷史回測

TradingAgents-CN支持歷史回測，可以針對單隻股票進行歷史回測，也可對不股票進行分析以構建投資組合。這里我們分別以貴州茅臺、寧德時代、萬華化學、寒武紀-U為例，通過TradingAgents-CN對其2023年12月底以來的觀點進行回測分析。每月末最后一個交易日進行分析，並根據其投資建議進行買入或賣出操作。注意由於A股市場只能做多不能做空，因此在TradingAgents沒有明確發出買入信號之前，均保持空倉狀態。買入之后再次發出買入信號或發出持有信號，均保持持倉不變，當明確發出賣出信號后，則再次空倉。

為節約時間和成本，此處我們僅使用市場分析師和基本面分析師的觀點，大模型選擇Deepseek V3，研究員Agents的辯論周期為2輪，測試結果僅做案例展示，不構成投資建議。

如下圖所示，在對貴州茅臺的歷史回測分析中，TradingAgents在2024年5月底開始空倉，並在2024年8月底看多買入，在2024年以來相較於買入持有策略獲得了較為可觀的相對收益。在對寧德時代的歷史回測中，同樣也相較於買入持有策略有一定的超額收益。

然而在對萬華化學的分析中，TradingAgents給出的買入信號相對較少，大部分時間給出了賣出或持有的觀點，雖然規避了2025年上半年的下跌行情，但在2024年的表現相對較差。而對於寒武紀-U的分析結果來看，由於寒武紀-U本身估值相對較高，TradingAgents僅基於技術指標和基本面數據的分析，自2024年以來尚未發出過買入信號。

從上述分析結果可以看到，TradingAgents框架已基本實現了投資交易的主要環節，對於投研工作有較好的輔助支持。但其分析結果一方面依賴於高質量的數據源，另一方面也需要注意大模型幻覺產生的錯誤導向。因此實際使用中仍需要投研人員結合各方面的信息進行綜合判斷。

此外，從測試結果來看，主流海外大模型的使用成本依然較高，相較而言DeepSeek模型的性價比極高。未來隨着算力不斷提升，模型能力的進一步加強以及大模型成本的不斷下降，AI智能體在金融投研中的應用或可進一步深入並更加貼近實戰，真正幫助投研人員提升投研效率，輔助交易決策。

4 風險提示

本報告基於歷史數據分析，歷史規律未來可能存在失效的風險；本報告中的案例僅供測試使用，不構成投資建議；AI大模型回答結果不一，生成結論可能存在錯誤。

近期報告