TradingAgents部署教程5个AI角色如何协同走完一笔交易【免费下载链接】TradingAgents-AI.github.ioTradingAgents: Multi-Agents LLM Financial Trading Framework项目地址: https://gitcode.com/GitHub_Trending/tr/TradingAgents-AI.github.io当你希望AI同时盯基本面、盯情绪、盯技术面还要自动走完风控和下单流程时自己用单个LLM串起来会写出大量编排代码。TradingAgents是一个模拟真实交易公司完整工作流程的多智能体LLM金融交易框架TradingAgents部署只需要三条命令跑通后你会得到一条从分析到执行、五个角色层协同的决策流水线。 最小化部署从克隆到跑通前置条件系统与Python版本操作系统Windows 10/11、macOS 12、Linux推荐 Ubuntu 20.04内存至少 8GB16GB 以上体验更好Python3.8–3.10网络稳定互联网连接拉取市场数据与模型资源三条命令完成安装git clone https://gitcode.com/GitHub_Trending/tr/TradingAgents-AI.github.io cd TradingAgents-AI.github.io pip install -r requirements.txt机器上装过多个 Python 版本的话建议先用 conda 建独立环境再装依赖例如conda create -n tradingagents python3.9避免装到不相干的环境里装完后如果 import 报错多半是 pip 对应的 Python 版本和实际运行版本不一致检查一下which pip即可。⚙️ 内部协作五角色分工与决策流水线框架内部按角色层拆分每个层都有独立的智能体工具与约束各不相同智能体间基于 ReAct 提示框架通信。简单讲就是一家缩小版的交易公司。角色速览五个核心层级分析师团队四位分析师并行采集基本面、情绪、新闻、技术四个维度的市场信息研究团队多头与空头研究员对采集数据展开辩论输出平衡观点交易员把辩论结论转成具体交易决策风险管理团队评估决策的风险暴露做全流程兜底基金经理最终审批并执行交易一次决策的完整流转从分析到执行流程起点是四位分析师互不等待地并行出报告基本面查财务健康情绪面看社媒倾向新闻面盯宏观事件技术面算指标信号。报告汇总到研究团队后最值得留意的是多空辩论机制——多头研究员只讲机会与增长空间空头研究员只讲风险与负面信号双方反复对辩直到收敛出兼顾两面的平衡观点才交棒。辩论结束后交易员基于平衡观点产出方向、仓位、时点俱全的决策。但决策不会直接落地风控团队会接住这份计划对照当前市场波动率与流动性、从多个风险视角审议认为风险超标就退回给交易员重调——这是第二个设计亮点风控兜底。最后由基金经理做终审交易才真正执行。 跑通之后你会看到什么本地监控入口python run_trading_agents.py --config config/main_config.json启动后浏览器打开http://localhost:8080即可实时查看系统状态与交易表现。收益曲线与交易明细论文回测2024 年 6–11 月日频决策中AAPL 上的累计收益曲线在整个区间内保持在买入持有、MACD 等基线策略之上交易记录按笔标注箭头绿色代表做多红色代表做空。把箭头时间点对照每日决策记录就能复盘这一笔是哪一轮分析、风控意见促成的想调整智能体行为或风控阈值改 config/ 下的对应参数即可。 延伸资源与下一步项目文档README.md配置目录config/智能体与风控参数均在此处社区讨论问题反馈与功能建议可加入官方项目组织页的讨论区下一步建议先用 AAPL 跑一轮模拟盘盯几天多空箭头的分布规律再去动风控阈值。【免费下载链接】TradingAgents-AI.github.ioTradingAgents: Multi-Agents LLM Financial Trading Framework项目地址: https://gitcode.com/GitHub_Trending/tr/TradingAgents-AI.github.io创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考 TradingAgents部署教程：5个AI角色如何协同走完一笔交易
TradingAgents部署教程5个AI角色如何协同走完一笔交易【免费下载链接】TradingAgents-AI.github.ioTradingAgents: Multi-Agents LLM Financial Trading Framework项目地址: https://gitcode.com/GitHub_Trending/tr/TradingAgents-AI.github.io当你希望AI同时盯基本面、盯情绪、盯技术面还要自动走完风控和下单流程时自己用单个LLM串起来会写出大量编排代码。TradingAgents是一个模拟真实交易公司完整工作流程的多智能体LLM金融交易框架TradingAgents部署只需要三条命令跑通后你会得到一条从分析到执行、五个角色层协同的决策流水线。 最小化部署从克隆到跑通前置条件系统与Python版本操作系统Windows 10/11、macOS 12、Linux推荐 Ubuntu 20.04内存至少 8GB16GB 以上体验更好Python3.8–3.10网络稳定互联网连接拉取市场数据与模型资源三条命令完成安装git clone https://gitcode.com/GitHub_Trending/tr/TradingAgents-AI.github.io cd TradingAgents-AI.github.io pip install -r requirements.txt机器上装过多个 Python 版本的话建议先用 conda 建独立环境再装依赖例如conda create -n tradingagents python3.9避免装到不相干的环境里装完后如果 import 报错多半是 pip 对应的 Python 版本和实际运行版本不一致检查一下which pip即可。⚙️ 内部协作五角色分工与决策流水线框架内部按角色层拆分每个层都有独立的智能体工具与约束各不相同智能体间基于 ReAct 提示框架通信。简单讲就是一家缩小版的交易公司。角色速览五个核心层级分析师团队四位分析师并行采集基本面、情绪、新闻、技术四个维度的市场信息研究团队多头与空头研究员对采集数据展开辩论输出平衡观点交易员把辩论结论转成具体交易决策风险管理团队评估决策的风险暴露做全流程兜底基金经理最终审批并执行交易一次决策的完整流转从分析到执行流程起点是四位分析师互不等待地并行出报告基本面查财务健康情绪面看社媒倾向新闻面盯宏观事件技术面算指标信号。报告汇总到研究团队后最值得留意的是多空辩论机制——多头研究员只讲机会与增长空间空头研究员只讲风险与负面信号双方反复对辩直到收敛出兼顾两面的平衡观点才交棒。辩论结束后交易员基于平衡观点产出方向、仓位、时点俱全的决策。但决策不会直接落地风控团队会接住这份计划对照当前市场波动率与流动性、从多个风险视角审议认为风险超标就退回给交易员重调——这是第二个设计亮点风控兜底。最后由基金经理做终审交易才真正执行。 跑通之后你会看到什么本地监控入口python run_trading_agents.py --config config/main_config.json启动后浏览器打开http://localhost:8080即可实时查看系统状态与交易表现。收益曲线与交易明细论文回测2024 年 6–11 月日频决策中AAPL 上的累计收益曲线在整个区间内保持在买入持有、MACD 等基线策略之上交易记录按笔标注箭头绿色代表做多红色代表做空。把箭头时间点对照每日决策记录就能复盘这一笔是哪一轮分析、风控意见促成的想调整智能体行为或风控阈值改 config/ 下的对应参数即可。 延伸资源与下一步项目文档README.md配置目录config/智能体与风控参数均在此处社区讨论问题反馈与功能建议可加入官方项目组织页的讨论区下一步建议先用 AAPL 跑一轮模拟盘盯几天多空箭头的分布规律再去动风控阈值。【免费下载链接】TradingAgents-AI.github.ioTradingAgents: Multi-Agents LLM Financial Trading Framework项目地址: https://gitcode.com/GitHub_Trending/tr/TradingAgents-AI.github.io创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考