GitHub 60k 星标, 用 AI 炒了三个月股票,差点亏光,原因让人意外…-夜雨聆风

GitHub 60k 星标, 用 AI 炒了三个月股票,差点亏光,原因让人意外…

作者按：本文纯属技术研究，不构成任何投资建议。炒股有风险，入市需谨慎。

上周五，我一个朋友神秘兮兮地给我发消息：

“兄弟，我用AI炒股票，收益率跑赢大盘了！”

我问他用的什么，他说了一个我没听过的名字——TradingAgents。

说实话，我第一反应是：这玩意儿靠谱吗？

作为一个在金融科技圈混了几年的人，我见过太多”AI量化交易”的噱头。大多数都是：

策略写在PPT里，实盘一塌糊涂
回测数据漂亮得不像真的
真正实盘跑起来，不是延迟就是滑点

但这次不太一样。

我花了两天时间把TradingAgents的源码扒了一遍，又实盘跑了三个月模拟交易。今天把这个项目掰开了揉碎了讲清楚，不吹不黑。

一、TradingAgents是什么？

麻省理工学院推出了一款开源的AI金融股票交易智能体——TradingAgents，它被誉为“史上最强股神”，引发了广泛关注。

简单来说，TradingAgents是一个多智能体LLM金融交易框架。

它的核心思想很直接：模拟一家真实交易公司的运作方式。

想象一下真实的基金公司是怎么运转的：

有基本面分析师研究公司财务
有情绪分析师盯着社交媒体
有技术分析师看K线
有研究员做多空辩论
有交易员下单
有风控团队盯着风险
最后还有个基金经理拍板

TradingAgents就是把这一整套流程，用大语言模型（LLM）重新做了一遍。

GitHub地址：TauricResearch/TradingAgents

论文发表在arXiv上，还被”MULTI-AGENT AI IN THE REAL WORLD”会议录用了Oral——这个会议的含金量，懂的人都懂。

二、为什么这个框架有意思？

说实话，多智能体系统这两年烂大街了。但TradingAgents有几点让我觉得确实有点东西：

1. 不是”单兵作战”，而是”团队作战”

很多AI交易项目就是一个大模型+一堆API调来调去。TradingAgents不是，它的每个角色都有明确的分工和职责：

角色	职责
基本面分析师	研究公司财务报表、估值、增长潜力
情绪分析师	分析社交媒体、新闻舆情
技术分析师	看MACD、RSI等技术指标
多头研究员	找看涨的理由
空头研究员	找看跌的理由
交易员	综合各方意见，决定怎么下单
风控团队	评估风险，给基金经理建议
基金经理	最终拍板，买还是卖

这就好比你不是雇一个军师，而是雇了一整个投行研究部。

2. “吵架”环节很有意思

我最喜欢的一个设计是多头/空头研究员的对立辩论。

系统不是让分析师们各说各话然后加权平均，而是让多头和空头研究员正面对峙，互相挑毛病。

论文里有句话我印象很深：

“Through structured debates, they balance potential gains against inherent risks.”

翻译成人话就是：你们俩别和稀泥，给我吵出结果来。

这种设计逼着每一方都必须认真找对方的漏洞，最后留下的观点更经得起推敲。

3. 支持N个模型，不绑死在一家

这是很多竞品做不到的。TradingAgents支持：

OpenAI (GPT-5系列)
Google (Gemini 3.x)
Anthropic (Claude 4.x)
xAI (Grok 4.x)
DeepSeek
阿里通义 (Qwen)
智谱 (GLM)
OpenRouter
Ollama本地模型
Azure企业版

你可以用GPT-5做深度思考，用Claude做快速判断，甚至可以用DeepSeek省成本。

三、技术架构：LangGraph撑起的”流水线”

TradingAgents底层用LangGraph实现，这让我有点意外，但细想又在情理之中。

LangGraph的优势在于状态管理和流程控制。每个Agent处理完任务后把结果传给下一个Agent，整个流程像流水线一样串起来。

关键代码长这样：

from tradingagents.graph.trading_graph importTradingAgentsGraph
from tradingagents.default_config import DEFAULT_CONFIG
ta =TradingAgentsGraph(debug=True, config=DEFAULT_CONFIG.copy())
# 输入股票代码和分析日期
_, decision = ta.propagate("NVDA","2026-01-15")
print(decision)

返回的decision包含：

交易方向（买入/卖出/持有）
仓位建议
置信度
完整的分析链路

四、跑三个月实盘，我发现了什么？

1. 记忆功能是亮点

TradingAgents有个功能我觉得被低估了——持久化决策日志。

每次交易完，系统会自动把结果存在 ~/.tradingagents/memory/trading_memory.md里。下次分析同一只股票时，会把历史决策和反思一起注入给基金经理。

这相当于让AI学会了复盘。

我见过太多量化系统，每次分析都是从零开始，不积累经验。TradingAgents这一点做得不错。

2. 断点续跑很实用

用 --checkpoint参数开启后，如果程序中途崩溃，会自动从上次成功的步骤恢复，而不是从头再来。

实测在分析NVDA这种热门股时，API调用量大，有时候确实会超时或断连。这个功能救了我好几次。

3. 不是银弹

说了这么多优点，该泼点冷水了：

表现取决于模型能力。

GPT-5.4和GPT-4o-mini跑出来的结果完全不是一个量级。用差模型可能还不如随机选股。

数据质量很关键。

如果接入的数据源有问题，分析师再强也是白搭。我建议至少配一个Alpha Vantage以上的专业数据源。

风控只能锦上添花。

系统有风控团队角色，但它本质上还是基于历史数据和模型判断。黑天鹅事件（比如2020年3月的熔断）它也会抓瞎。

五、安装和上手：30分钟跑起来

说了这么多，不如手把手教你怎么装：

第一步：克隆代码

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

第二步：创建环境

conda create -n tradingagents python=3.13
conda activate tradingagents
pip install .

第三步：配置API Key

cp .env.example .env

然后编辑 .env文件，填入你的API Key。可以选DeepSeek（便宜）、OpenAI（能力强）或本地Ollama（免费但慢）。

第四步：启动交互式CLI

tradingagents

会弹出一个界面，让你选股票代码、分析日期、LLM提供商、研究深度等。

Docker跑法（推荐）

如果不想折腾环境，直接：

cp .env.example .env  # 填入API Key
docker compose run --rm tradingagents

六、值不值得用？

我的结论：

如果你是在做量化研究，或者想了解多智能体LLM在实际业务中的应用，TradingAgents绝对值得一玩。

它不是那种”一键炒股票”的傻瓜软件，而是一个框架——你需要懂交易逻辑、懂模型能力边界、懂怎么调参。

但它的设计理念很有意思：用多智能体协作模拟真实工作流程。

这个思路不只适用于金融交易：

法律行业可以用它做合同审查
医疗行业可以用它做诊断辅助
咨询行业可以用它做行业研究

本质上，它在解决一个问题：单一大模型的判断容易有偏见，多角色协作能降低风险。

写在最后

写这篇文章的时候，我一直在想一个问题：

AI能不能替代人类交易员？

我跑了三个月实盘，答案是：暂时不能。

但AI能做的是放大能力，让一个普通投资者也能享受到机构级的分析视角。

TradingAgents给我最大的启发不是它的交易策略，而是它展示了一种可能性：多智能体协作真的能在复杂决策场景下发挥作用。

这种模式会不会成为2026年的主流？让我们走着瞧。

免责声明：本文仅供技术研究，不构成任何投资建议。实盘操作风险自担。

关注牛码架构免费领取AI教程