• [2026-04] 本项目增强版 发布，新增阿里云 CodingPlan 国内模型支持、TradingKey 新智能体、多维度数据源接入，以及完整的 API 服务（报告查询 + 模型启动接口），使用openclaw 驱动进行分析股票。
• [2026-03] TradingAgents v0.2.3 发布，支持多语言输出、GPT-5.4系列模型、统一模型目录、回测日期准确性和代理支持。
• [2026-03] TradingAgents v0.2.2 发布，支持GPT-5.4/Gemini 3.1/Claude 4.6模型、五级评分标准、OpenAI Responses API、Anthropic effort控制以及跨平台稳定性。
• [2026-02] TradingAgents v0.2.0 发布，支持多提供商LLM（GPT-5.x、Gemini 3.x、Claude 4.x、Grok 4.x）和改进的系统架构。
• [2026-01] Trading-R1 技术报告发布，Terminal也即将推出。

🎉 TradingAgents 正式发布！我们收到了许多关于这项工作的咨询，非常感谢社区的热情支持。

因此我们决定完全开源这个框架。期待与您一起构建有影响力的项目！

本项目在原始 TradingAgents 框架基础上进行了以下增强：

支持阿里云 DashScope 平台的国内主流大模型，无需翻墙即可使用：

配置方式：

export ALIYUN_API_KEY=your_key_here

系统会自动将 ALIYUN_API_KEY 映射到 OpenAI 兼容接口，对接阿里云 DashScope 后端。

新增 TradingKey 分析师，提供基于关键交易指标的深度分析，包括：

• 核心技术指标综合评估
• 关键价位识别（支撑/阻力）
• 交易信号强度评分

在分析师配置中添加 "tradingkey" 即可启用。

数据供应商配置示例：

config["data_vendors"] = {
    "core_stock_apis": "yfinance",
    "technical_indicators": "yfinance",
    "fundamental_data": "yfinance",
    "news_data": "yfinance",
}

基于 Flask 的报告浏览服务，支持按股票代码和日期浏览、查看、下载报告：

python webui/report_viewer.py
# 访问 http://0.0.0.0:5000

基于 FastAPI 的异步分析任务服务，支持提交分析任务并实时查询进度：

python webui/api_server.py
# 访问 http://0.0.0.0:7860

提交分析示例：

curl -X POST http://localhost:7860/analyze \
  -H "Content-Type: application/json" \
  -d '{"ticker": "NVDA", "analysts": ["market", "news", "fundamentals", "tradingkey"]}'

查询进度：

curl http://localhost:7860/status/{task_id}

TradingAgents 是一个多智能体交易框架，模拟真实交易公司的运作方式。通过部署专业的LLM驱动智能体：从基本面分析师、情绪专家、技术分析师，到交易员、风险管理团队，平台共同评估市场状况并做出交易决策。此外，这些智能体还会进行动态讨论，以确定最佳策略。

TradingAgents 框架仅用于研究目的。交易表现可能因多种因素而异，包括所选的基础语言模型、模型温度、交易周期、数据质量以及其他非确定性因素。本框架不作为金融、投资或交易建议。

我们的框架将复杂的交易任务分解为专门的角色。这确保系统能够实现稳健、可扩展的市场分析和决策方法。

• 基本面分析师：评估公司财务和绩效指标，识别内在价值和潜在风险点。
• 情绪分析师：使用情绪评分算法分析社交媒体和公众情绪，以判断短期市场情绪。
• 新闻分析师：监测全球新闻和宏观经济指标，解读事件对市场状况的影响。
• 技术分析师：利用技术指标（如MACD和RSI）来识别交易模式并预测价格走势。
• TradingKey 分析师：综合关键技术指标，识别关键价位和交易信号强度。

• 由多头和空头研究员组成，他们 критически评估分析师团队提供的见解。通过结构化辩论，他们平衡潜在收益与固有风险。

• 综合分析师和研究员的报告，做出明智的交易决策。基于全面的市场洞察确定交易的时机和规模。

• 持续通过评估市场波动性、流动性和其他风险因素来评估投资组合风险。风险管理团队评估和调整交易策略，向投资组合经理提供评估报告以供最终决策。
• 投资组合经理批准/拒绝交易提案。如果批准，订单将被发送到模拟交易所并执行。

克隆 TradingAgents：

git clone https://github.com/TauricResearch/TradingAgents.git
cd TradingAgents

在您喜欢的环境管理器中创建虚拟环境：

conda create -n tradingagents python=3.13
conda activate tradingagents

安装包及其依赖：

pip install .

或者，使用 Docker 运行：

cp .env.example .env  # 添加您的 API 密钥
docker compose run --rm tradingagents

对于本地模型使用 Ollama：

docker compose --profile ollama run --rm tradingagents-ollama

TradingAgents 支持多个 LLM 提供商。请为您选择的提供商设置 API 密钥：

export OPENAI_API_KEY=...          # OpenAI (GPT)
export GOOGLE_API_KEY=...          # Google (Gemini)
export ANTHROPIC_API_KEY=...       # Anthropic (Claude)
export XAI_API_KEY=...             # xAI (Grok)
export OPENROUTER_API_KEY=...      # OpenRouter
export ALIYUN_API_KEY=...          # 阿里云 CodingPlan (国内模型)
export ALPHA_VANTAGE_API_KEY=...   # Alpha Vantage

对于本地模型，请在配置中配置 Ollama 并设置 llm_provider: "ollama"。

或者，复制 .env.example 到 .env 并填写您的密钥：

cp .env.example .env

启动交互式 CLI：

tradingagents          # 已安装的命令
python -m cli.main     # 替代方案：从源代码直接运行

您将看到一个屏幕，可以选择所需的股票代码、分析日期、LLM提供商、研究深度等。

一个界面将显示加载中的结果，让您跟踪智能体的运行进度。

我们使用 LangGraph 构建 TradingAgents，以确保灵活性和模块化。该框架支持多个 LLM 提供商：OpenAI、Google、Anthropic、xAI、OpenRouter 和 Ollama。

要在代码中使用 TradingAgents，您可以导入 tradingagents 模块并初始化 TradingAgentsGraph() 对象。.propagate() 函数将返回一个决策。您可以运行 main.py，这里还有一个快速示例：

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

ta = TradingAgentsGraph(debug=True, config=DEFAULT_CONFIG.copy())

# 前向传播
_, decision = ta.propagate("NVDA", "2026-01-15")
print(decision)

您还可以调整默认配置以设置您自己的 LLM 选择、辩论轮次等。

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

config = DEFAULT_CONFIG.copy()
config["llm_provider"] = "openai"        # openai, google, anthropic, xai, openrouter, ollama, aliyun
config["deep_think_llm"] = "gpt-5.4"     # 用于复杂推理的模型
config["quick_think_llm"] = "gpt-5.4-mini" # 用于快速任务的模型
config["max_debate_rounds"] = 2

ta = TradingAgentsGraph(debug=True, config=config)
_, decision = ta.propagate("NVDA", "2026-01-15")
print(decision)

请参阅 tradingagents/default_config.py 了解所有配置选项。

我们欢迎来自社区的贡献！无论是修复错误、改进文档还是提出新功能，您的意见都有助于使这个项目变得更好。如果您对这一研究方向感兴趣，请考虑加入我们的开源金融 AI 研究社区 Tauric Research。

如果您发现 TradingAgents 对您有所帮助，请引用我们的工作：

@misc{xiao2025tradingagentsmultiagentsllmfinancial,
      title={TradingAgents: Multi-Agents LLM Financial Trading Framework}, 
      author={Yijia Xiao and Edward Sun and Di Luo and Wei Wang},
      year={2025},
      eprint={2412.20138},
      archivePrefix={arXiv},
      primaryClass={q-fin.TR},
      url={https://arxiv.org/abs/2412.20138}, 
}