Trading Agents

TradingAgents 多智能体交易框架

1. 什么时候用我？

当用户说：

• "分析 NVDA 股票"
• "AAPL 现在能买吗"
• "用多智能体分析 MSFT"
• "获取交易信号"
• "进行股票基本面分析"
• "技术面分析 TSLA"
• "风险评估"
• 任何需要专业量化分析的交易决策

2. 我能做什么？

核心功能

• 多智能体协作分析：模拟真实交易公司的团队决策流程
• 基本面分析：评估公司财务和业绩指标
• 情绪分析：分析社交媒体和公众情绪
• 新闻分析：监控全球新闻和宏观经济指标
• 技术分析：使用 MACD、RSI 等技术指标
• 多空辩论：牛市和熊市研究员进行结构化辩论
• 风险管理：评估市场波动性、流动性等风险因素
• 交易决策：生成买入/卖出/持有建议

支持的 LLM 提供商

• OpenAI (GPT-5.x, GPT-4.x)
• Google (Gemini 3.x, 2.x)
• Anthropic (Claude 4.x, 3.x)
• xAI (Grok 4.x)
• OpenRouter
• Ollama (本地模型)

数据源

• yfinance（默认，无需 API key）
• Alpha Vantage（需要 API key）

3. 快速使用

3.1 基本用法

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

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

# 分析股票
_, decision = ta.propagate("NVDA", "2024-05-10")
print(decision)

3.2 自定义配置

config = DEFAULT_CONFIG.copy()
config["llm_provider"] = "openai"        # openai, google, anthropic, xai, openrouter, ollama
config["deep_think_llm"] = "gpt-5.2"     # 复杂推理模型
config["quick_think_llm"] = "gpt-5-mini" # 快速任务模型
config["max_debate_rounds"] = 2          # 辩论轮数

ta = TradingAgentsGraph(debug=True, config=config)
_, decision = ta.propagate("AAPL", "2024-05-10")

3.3 配置数据源

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

4. 配置 API Keys

方法 1：环境变量

export OPENAI_API_KEY=...          # OpenAI
export GOOGLE_API_KEY=...          # Google
export ANTHROPIC_API_KEY=...       # Anthropic
export XAI_API_KEY=...             # xAI
export OPENROUTER_API_KEY=...      # OpenRouter
export ALPHA_VANTAGE_API_KEY=...   # Alpha Vantage

方法 2：.env 文件

在 ~/.openclaw/workspace/.env 添加：

OPENAI_API_KEY=sk-...
ALPHA_VANTAGE_API_KEY=...

5. 智能体架构

分析团队

研究团队

• Bull Researcher：牛市观点，寻找上涨机会
• Bear Researcher：熊市观点，识别潜在风险

交易团队

• Trader：综合报告，做出交易决策
• Risk Manager：评估和调整风险
• Portfolio Manager：最终审批交易

6. 输出示例

{
    "ticker": "NVDA",
    "date": "2024-05-10",
    "action": "BUY",
    "quantity": 100,
    "confidence": 0.75,
    "reasoning": "基本面强劲，AI 需求增长，技术面突破...",
    "risk_level": "MEDIUM",
    "target_price": 950.00,
    "stop_loss": 800.00
}

7. 文件结构

本 Skill 自身（signals engine 开箱即用，不依赖外部目录布局）：

TradingAgents-OpenClaw-Skill/
├── __init__.py             # TradingAgentsSkill + CLI（多 engine 路由）
├── signals.py              # 本地技术信号引擎（无需 API key）
├── requirements.txt
├── tests/                  # pytest（合成数据，无网络）
├── example_usage.py        # 端到端示例
└── SKILL.md                # 本文件

启用 LLM engine 时另需 TradingAgents 框架（PyPI 包或本地 clone）：

tradingagents/              # pip install tradingagents 后可直接 import
├── agents/                 # 智能体定义
├── dataflows/              # 数据流
├── graph/                  # LangGraph 流程
└── default_config.py       # 默认配置

8. 本地运行

signals engine（无需 API key）

pip install -r requirements.txt
python __init__.py NVDA --engine signals

LLM engine（需要 TradingAgents + API key）

pip install tradingagents
export OPENAI_API_KEY=sk-...
# 若为本地 clone，可改用环境变量指向：
#   export TRADING_AGENTS_HOME=/path/to/TradingAgents-Official
python __init__.py NVDA --engine llm

9. 在 OpenClaw 中使用

示例对话

用户：分析一下 NVDA 股票
助手：正在用 TradingAgents 多智能体框架分析 NVDA……
     [基本面分析师] 公司财务表现强劲
     [技术分析师] MACD 金叉，RSI 处于健康区间
     [风险管理] 波动性中等，建议控制仓位
     综合建议：BUY，目标价 $950，止损 $800

10. 注意事项

⚠️ 重要声明：

• 本框架仅供研究使用
• 不构成投资建议
• 交易表现受多种因素影响（模型、温度、数据质量等）
• 请勿用于真实交易决策，除非你完全理解风险

11. 依赖

langgraph>=0.2.0
langchain>=0.3.0
openai>=1.0.0
google-generativeai>=0.8.0
anthropic>=0.40.0
yfinance>=0.2.40
alpha-vantage>=3.0.0
pandas>=2.0.0
numpy>=1.24.0
python-dotenv>=1.0.0

12. 参考资料

• 论文: TradingAgents: Multi-Agents LLM Financial Trading Framework
• GitHub: https://github.com/TauricResearch/TradingAgents
• Discord: https://discord.com/invite/hk9PGKShPK
• 技术报告: Trading-R1