开源项目_CN版金融分析工具TradingAgents

TradingAgents 是一个由 加州大学洛杉矶分校 和 麻省理工学院 联合开发的 多智能体金融交易框架 ，旨在通过 大型语言模型 （LLM）驱动的多个专业化智能体协作完成金融交易决策。

TradingAgents-CN 是它的中文加强版，接入了国内的股票信息获取新闻等接口，以及国内大模型，并且开发了基于Web的图形界面，亲测比原始版本更好用。

1 源码地址

https://github.com/hsliuping/TradingAgents-CN

2 代码分析

TradingAgents-CN 基于 TradingAgents 项目扩展。代码量迅速增长，Python 代码已扩展至 6 万多行（原始项目代码量 3000+），其中近一半为测试和示例。其核心模块 tradingagents 目前也已达到 1.5 万行，主要改进在于接入外部数据。

项目的工程化做得非常出色，无论是开发速度还是代码结构技巧，即便在 AI 编程时代，仍然是非常出彩。几乎所有代码均出自单一开发者 hsliuping 之手，与原始项目 TradingAgents 的主要贡献者并非同一人。感觉未来的发展趋势逐渐向强者倾斜，中间层面临生存压力。

3 安装

git clone https://github.com/hsliuping/TradingAgents-CNcp .env.example .env# 主要是需要设置 api-key，我试用时只设了deepseekdocker-compose up -d

启动了四个 Docker 容器：包括两个 Redis、一个 MongoDB 和一个主服务（包含前后端）。在第一次安装时，会触发 Docker build 过程，虽然相对较慢，但整体速度尚可，大约用了几十分钟就完成。

4 试用体验

以图是对“长江电力”的分析过程截图：

4.1 功能概述

以下是我对各子功能的使用感受：

• 技术分析：功能齐全。

• 基本面分析：全面覆盖，还提供了与均值比较，简洁明了。

• 情绪分析：可用，默认关闭，请注意勾选。

• 新闻分析：涵盖重要事件，默认关闭，请注意勾选。

• 报告展示：网页上仅呈现结论，但整体分析在报告中展示，尤其是讨论的部分，被惊艳到了。

4.2 使用成本

• 分析长江电力，共调用 deepseek 15 次，费用 0.09 元，未包含情绪和新闻分析。

• 分析阿里巴巴，共调用 deepseek 19 次，费用 0.15 元，包含情绪和新闻分析。

总的来看，最后的报告生成过程消耗较多 token，把我关注的所有股票都过一遍，用不了一根冰棍钱。

4.3 优点

• 系统性能：

  • 安装过程快速流畅。

  • 前后端均由 Python 实现，Docker 占用内存也不大。

  • 日志保存得当。

  • “智能构建”便捷。

• 界面设计：

  • Streamlit 界面好用。

  • 首页的 Logo 设计和展示良好。

  • 使用指南位置合理。

  • Token 统计展示了用户最关心的部分。

• 亮点：

  • 基本面报告简洁明了。

  • 投资建议部分具有显著价值。

  • 情绪指数的乐观/悲观分析及其总结十分有用。

  • 内在价值指标很好用。

  • Researcher 功能超出预期，开始以为只是鸡肋，但阅读报告后发现其价值，提供了多角度思考方式。

  • 报告支持导出为 Word/PDF 格式，内容比界面更为丰富。

4.4 更多建议

• 如果整个分析过程可视化，效果更佳。

• 分析过程中右侧的帮界面也闪动，有点奇怪。

• 完成一只股票的分析耗时较长。

• 如果能展示日线图可能使分析更直观。

• 在缺少新闻和情绪数据时，可以考察大盘相关因素。

• 建议将多个指标持久化，以节省资源和提供可查数据。

• 可以更细化地选择所需分析的元素，以节约时间和成本，无需每次分析所有内容。

4.5 个人感觉

分析结果可以作为判断的参考和佐证，但最好不要依赖它，因为获取数据时可能会受到限制，例如，只取最近 n 天的数据。此外，由于系统依赖于大模型，可能会出现幻觉问题。

甚至在我使用完 CN 版本之后，看到国内在 AI 工具的领先，终于有我们能用、而你们用不了的东西了（虽然标准版加星很多很快，但之后英文版就不更新了）。不过话说回来，这工具还是需要有 Docker 环境，能够进行 Docker build，还是需要科学上网。

5 参考

相关论文：论文阅读_TradingAgents多智能体金融交易框架

TradingAgents标准版代码分析：开源项目_金融分析工具TradingAgents