项目目标
原始项目简介
TradingAgents 是由 Tauric Research 开发的创新性多智能体交易框架,模拟真实交易公司的协作决策流程,通过多个专业化AI智能体的协作来评估市场条件并做出交易决策。
我们的增强目标
本项目旨在为中文用户提供:
-
📚 完整的中文文档体系 – 详细的架构说明、使用指南和最佳实践 -
🇨🇳 中国市场适配 – 支持A股、港股等中国金融市场 -
🧠 国产LLM集成 – 集成阿里百炼、通义千问等国产大模型 -
📊 中文数据源 – 整合通达信API、AkShare等中文金融数据源 -
🎓 教育和研究 – 为中文用户提供金融AI学习和研究平台
🚀 核心优势
-
🎛️ 开箱即用: 完整的Web界面,无需命令行操作 -
🇨🇳 中国优化: A股数据 + 国产LLM + 中文界面 -
🔧 智能配置: 自动检测,智能降级,零配置启动 -
📊 实时监控: Token使用统计,缓存状态,系统监控 -
🛡️ 稳定可靠: 多层数据源,错误恢复,生产就绪
🔧 技术栈 (v0.1.4)
|
|
|
---|---|---|
🐍 核心语言 |
|
|
🧠 AI框架 |
|
|
🌐 Web界面 |
|
|
🗄️ 数据库 |
|
|
📊 数据处理 |
|
|
🔌 API集成 |
|
|
🧠 LLM支持 |
|
|
✨ 核心特性
🤖 多智能体协作架构
-
分析师团队: 基本面、技术面、新闻面、社交媒体四大专业分析师 -
研究员团队: 看涨/看跌研究员进行结构化辩论 -
交易员智能体: 基于所有输入做出最终交易决策 -
风险管理: 多层次风险评估和管理机制 -
管理层: 协调各团队工作,确保决策质量
🧠 多LLM模型支持
-
🇨🇳 阿里百炼: qwen-turbo, qwen-plus-latest, qwen-max ✅ 已完整支持 -
Google AI: gemini-2.0-flash, gemini-1.5-pro, gemini-1.5-flash ✅ 已完整支持 -
OpenAI: GPT-4o, GPT-4o-mini, GPT-3.5-turbo ⚙️ 配置即用 -
Anthropic: Claude-3-Opus, Claude-3-Sonnet, Claude-3-Haiku ⚙️ 配置即用 -
智能混合: Google AI推理 + 阿里百炼嵌入 ✅ 已优化
🌐 Web管理界面 ✅ 已完整支持
-
Streamlit Web平台: 直观的股票分析界面 ✅ -
实时进度显示: 分析过程可视化跟踪 ✅ -
多模型选择: 支持阿里百炼和Google AI切换 ✅ -
分析师配置: 灵活的分析师组合选择 ✅ -
结果可视化: 专业的分析报告展示 ✅ -
响应式设计: 支持桌面和移动端访问 ✅ -
🎛️ 配置管理: API密钥管理、模型选择、系统配置 ✅ v0.1.2新增 -
💰 Token统计: 实时Token使用统计和成本追踪 ✅ v0.1.2新增 -
💾 缓存管理: 数据缓存状态监控和管理 ✅ v0.1.3新增
📊 全面数据集成
-
🇨🇳 A股数据: 通达信API 实时行情和历史数据 ✅ 已完整支持 -
美股数据: FinnHub、Yahoo Finance 实时行情 ✅ 已完整支持 -
新闻数据: Google News、财经新闻、实时新闻API ✅ 已完整支持 -
社交数据: Reddit情绪分析 ✅ 已完整支持 -
🗄️ 数据库支持: MongoDB 数据持久化 + Redis 高速缓存 ✅ 已完整支持 -
🔄 智能降级: MongoDB → 通达信API → 本地缓存的多层数据源 ✅ 已完整支持 -
⚙️ 统一配置: .env文件统一管理,启用开关完全生效 ✅ v0.1.4新增
🚀 高性能特性
-
并行处理: 多智能体并行分析,提高效率 -
智能缓存: 多层缓存策略,减少API调用成本 -
实时分析: 支持实时市场数据分析 -
灵活配置: 高度可定制的智能体行为和模型选择
💰 Token使用统计和成本跟踪 ✅ 已完整支持
-
自动Token统计: 自动记录所有LLM调用的输入/输出token数量 ✅ -
实时成本计算: 基于官方定价自动计算使用成本 ✅ -
多存储支持: 支持JSON文件和MongoDB两种存储方式 ✅ -
成本监控: 提供会话成本跟踪和成本警告机制 ✅ -
统计分析: 按供应商、模型、时间等维度统计使用情况 ✅ -
成本优化: 帮助用户优化LLM使用成本和效率 ✅
📋 详细更新日志: CHANGELOG.md
🆚 与原版的主要区别
✅ 已完成的增强
|
|
|
---|---|---|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
🚀 快速开始
环境要求
-
Python 3.10+ (推荐 3.11) -
4GB+ RAM (推荐 8GB+) -
稳定的网络连接
安装步骤
ounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(line
# 1. 克隆项目
git clone https://github.com/hsliuping/TradingAgents-CN.git
cd TradingAgents-CN
# 2. 创建虚拟环境
python -m venv tradingagents
source tradingagents/bin/activate # Linux/macOS
# tradingagents\Scripts\activate # Windows
# 3. 安装依赖
pip install -r requirements.txt
配置API密钥
ounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(line
# 复制环境变量模板
cp .env.example .env
# 编辑 .env 文件,添加您的API密钥
# 阿里百炼API(推荐,国产模型)
DASHSCOPE_API_KEY=your_dashscope_api_key
# Google AI API(可选,支持Gemini模型)
GOOGLE_API_KEY=your_google_api_key
# 金融数据API(可选)
FINNHUB_API_KEY=your_finnhub_api_key
# Reddit API(可选,用于社交媒体分析)
REDDIT_CLIENT_ID=your_reddit_client_id
REDDIT_CLIENT_SECRET=your_reddit_client_secret
REDDIT_USER_AGENT=your_reddit_user_agent
# Token使用统计配置(可选)
# 启用MongoDB存储(高性能,适合生产环境)
USE_MONGODB_STORAGE=false
MONGODB_CONNECTION_STRING=mongodb://localhost:27017
MONGODB_DATABASE_NAME=tradingagents
🌐 Web界面使用 (推荐)
ounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(line
# 启动Web管理界面
python -m streamlit run web/app.py
# 或使用快捷脚本
# Windows
start_web.bat
# Linux/macOS
./start_web.sh
然后在浏览器中访问 http://localhost:8501
,您可以:
-
🎯 选择LLM提供商(阿里百炼/Google AI) -
🤖 选择AI模型(qwen-plus/gemini-2.0-flash等) -
📊 配置分析师组合(市场/基本面/新闻/社交媒体) -
📈 输入股票代码进行分析 -
📋 查看详细的分析报告和投资建议
🖥️ 命令行界面
ounter(lineounter(lineounter(lineounter(lineounter(line
# 启动交互式命令行界面
python -m cli.main
# 或者使用参数直接分析
python -m cli.main --stock AAPL --analysts market fundamentals
🐍 Python API使用
ounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(lineounter(line
from tradingagents.graph.trading_graph import TradingAgentsGraph
from tradingagents.default_config import DEFAULT_CONFIG
# 配置使用阿里百炼模型
config = DEFAULT_CONFIG.copy()
config["llm_provider"] = "dashscope"
config["deep_think_llm"] = "qwen-plus"
config["quick_think_llm"] = "qwen-turbo"
# 创建交易智能体
ta = TradingAgentsGraph(["market", "fundamentals"], config=config)
# 分析股票 (以苹果公司为例)
state, decision = ta.propagate("AAPL", "2025-06-27")
# 输出分析结果
print(f"推荐动作: {decision['action']}")
print(f"置信度: {decision['confidence']:.1%}")
print(f"风险评分: {decision['risk_score']:.1%}")
print(f"推理过程: {decision['reasoning']}")
# 查看Token使用统计和成本
from tradingagents.config.config_manager import config_manager, token_tracker
# 获取当前会话成本
session_cost = token_tracker.get_session_cost()
print(f"当前会话成本: ¥{session_cost:.4f}")
# 获取使用统计
stats = config_manager.get_usage_statistics()
print(f"总成本: ¥{stats['total_cost']:.4f}")
print(f"总调用次数: {stats['total_requests']}")
print(f"总Token数: {stats['total_input_tokens'] + stats['total_output_tokens']}")
# 成本估算
estimated_cost = token_tracker.estimate_cost("dashscope", "qwen-turbo", 1000, 500)
print(f"预估成本: ¥{estimated_cost:.4f}")
项目地址
https://github.com/hsliuping/TradingAgents-CN/blob/main/README-CN.md
扫码加入技术交流群,备注「开发语言-城市-昵称」
(文:GitHubStore)