温馨提示：若页面不能正常显示数学公式和代码，请阅读原文获得更好的阅读体验。

作者： 艾米丽 (连享会)
邮箱： lianxhcn@163.com

 

• Title : TradingAgents 爆火：AI 炒股，终于从问答走向投研团队
• Keywords : TradingAgents, AI Agent, 多智能体, 金融投研, 量化交易, 风险控制

 

过去，我们问 AI 炒股，常常是在问一句话：这只股票能买吗？

TradingAgents 的出现，把「单兵作战」的 AI 炒股，变成了一个「团队协作」的 AI 投研流程。它不是让一个模型同时完成信息收集、分析判断和交易执行，而是把这些角色拆成了多个 Agent：有的负责看财报，有的负责读新闻，有的负责分析情绪和技术指标，有的专门唱多，有的专门唱空，最后再由交易员、风控和基金经理形成决策。

正因为如此，TradingAgents 最近受到了很多关注，短短一年多的时间，github 仓库 的点赞数量已经超过 7 万次。它不是一个简单的「AI 炒股助手」，而是一个用 AI Agent 组织金融投研流程的开源样本。它的价值不在于保证投资收益，而在于提供了一套可以观察、修改和复盘的 Agent 投研流程。

这个项目给我们的最大启发是：金融 AI 的关键，可能不只是让一个模型更聪明，而是让多个角色形成一个更接近真实投研组织的决策流程。

1. 三句话读懂 TradingAgents

先用三句话概括这个项目：

• TradingAgents 不是让一个 AI 直接荐股，而是让多个 Agent 分别扮演分析师、交易员、风控和基金经理；
• 它的价值不是承诺收益，而是把投研流程拆成可以执行、记录和复盘的步骤；
• 它适合作为教学案例、研究对象和流程原型，但不适合未经验证就直接用于实盘交易。

因此，讨论 TradingAgents 时，最好不要把它理解成一个「AI 炒股神器」。更准确的说法是：它是一个用 AI Agent 组织金融投研流程的开源样本。

这个定位很重要。因为只要涉及真实交易，就会遇到数据质量、交易成本、滑点、样本外失效、合规边界等问题。这些问题不会因为系统里加入了多个 Agent 就自动消失。

2. 项目速览

TradingAgents 是 TauricResearch/TradingAgents 仓库发布的开源多智能体金融交易框架。项目论文的题目是 TradingAgents: Multi-Agents LLM Financial Trading Framework ，作者为 Yijia Xiao、Edward Sun、Di Luo 和 Wei Wang。

有兴趣进一步了解和复现的读者，可以先收藏下面几个入口：

• GitHub 仓库 ：https://github.com/TauricResearch/TradingAgents
• 项目主页 ：https://tradingagents-ai.github.io/
• arXiv 论文 ：https://arxiv.org/abs/2412.20138
• 论文 PDF ：https://arxiv.org/pdf/2412.20138
• Tauric Research 页面 ：https://tauric.ai/research/tradingagents/
• 项目 Releases ：https://github.com/TauricResearch/TradingAgents/releases

需要提醒的是，网上有些介绍会把 TradingAgents 说成「散户一键拥有对冲基金级投研能力」。这种说法过于直接，也容易造成误解。TradingAgents 的价值不在于保证投资收益，而在于提供了一套可以观察、修改和复盘的 Agent 投研流程。

3. 从单模型问答到 Agent 投研团队

很多人最早接触 AI 投资分析，是从一个很简单的提示词开始的：

请分析一下某只股票是否值得买入。

这种方式的优点是简单，缺点也很明显。一个模型要同时完成信息收集、财务分析、新闻判断、风险提示和交易建议，容易出现两个问题。

一是信息维度不完整。模型可能偏重新闻，忽略估值；也可能偏重财务指标，忽略市场情绪和价格趋势。

二是缺少内部质疑。模型给出的结论看起来很完整，但不一定经过充分反驳。尤其在金融场景中，一个投资观点如果没有经过多空双方的压力测试，很容易变成单边叙事。

TradingAgents 的思路是：既然真实投研不是一个人在做所有事情，那么 AI 投研也不必让一个模型承担所有角色。

它把投研过程拆成了多个 Agent：

• 有的 Agent 负责基本面；
• 有的 Agent 负责新闻；
• 有的 Agent 负责情绪；
• 有的 Agent 负责技术指标；
• 有的 Agent 专门看多；
• 有的 Agent 专门看空；
• 有的 Agent 负责交易执行；
• 有的 Agent 负责风险控制；
• 最后由组合管理者汇总并作出决策。

这样一来，AI 的输出就不只是一个结论，而是一条流程。

我们真正应该关注的，也不是它最后输出了买入还是卖出，而是它如何把信息、观点、风险和组合约束放在同一个决策链条里。

温馨提示：若页面不能正常显示数学公式和代码，请阅读原文获得更好的阅读体验。