用 AI 代理團隊炒股：TradingAgents 怎麼把 LLM 變成交易室

如果你曾經想过「讓 AI 幫我炒股」，你可能已經接觸過各種單代理的交易機器人——輸入一個代碼，AI 給出一個建議。但現實世界的交易從不是靠一個人完成的。一家正規的投研團隊有基本面分析師、技術面分析師、新聞跟蹤員、研究員、交易員、風險管理官、投資組合經理……每一個人扮演不同的角色，互相制衡、互相挑戰。

TradingAgents 就是要把這個「交易室」搬進 AI 世界。

什麼是 TradingAgents？

TradingAgents 是一個基於大型語言模型（LLM）的多代理金融交易框架，由 Tauric Research 團隊開發並開源。它的核心想法很直接：不要讓一個 AI 代理做所有事，而是建立一群各有專長的代理，模擬真實交易室的分工協作。

根據官方論文的描述，目前的自動化交易系統大多聚焦在單一代理處理特定任務，或是多代理各自獨立收集資料。TradingAgents 的創新在於讓這些代理「討論」——不只是各自輸出結果，而是像真實的投研會議一樣，不同角色的代理針對市場狀況發表看法、互相質疑，最終由風險管理團隊和投資組合經理做出交易決策。

代理團隊怎麼分工？

TradingAgents 的架構分為四個主要層級：

第一線：分析團隊（Analyst Team）

這是資訊收集的前線，四個分析師各有專責：

基本面分析師（Fundamentals Analyst）：檢視公司財務報表、績效指標，找出內在和潛在風險。
情緒分析師（Sentiment Analyst）：彙總新聞標題、StockTwits、Reddit 討論，將市場情緒量化為單一指標。
新聞分析師（News Analyst）：追蹤全球新聞和宏觀經濟指標，解讀重大事件對市場的影響。
技術分析師（Technical Analyst）：使用 MACD、RSI 等技術指標，偵測交易模式並預測價格走勢。

每個分析師獨立運作、各自輸出報告。

第二線：研究團隊（Research Team）

這裡有兩派研究員——看漲（Bull）和看跌（Bear）。他們拿到分析團隊的報告後，進行結構化的辯論：看漲研究員找出支持買入的理由，看跌研究員找出風險和反證。這種設計確保了交易決策不會被單一角度主導，而是經過正反兩方的壓力測試。

第三線：交易員（Trader Agent）

交易員彙總所有分析師和研究員的報告，決定具體的交易時機與規模。這才是真正「下單」的角色。

第四線：風險管理與投資組合經理（Risk Management & Portfolio Manager）

風險管理團隊持續監控投資組合的風險曝險、市場波動性和流動性，對交易員的提案進行評估。投資組合經理擁有最終的批准權——可以通過或否決交易提案。只有通過的訂單才會送入模擬交易所執行。

為什麼這種設計有意義？

我認為 TradingAgents 最有價值的地方不在於「它能幫你賺錢」，而在於它展示了多代理協作在金融領域的一個具體應用場景。

多代理協作的真實價值

在 AI agent 的討論中，很多人會問「為什麼不讓一個強大的模型做完所有事？」TradingAgents 給出的答案是：分工產生深度，辯論產生平衡。

單一代理即使再強大，也受限于它的訓練數據和推理模式。但當你有專門看基本面的代理、專門看情緒的代理、專門看技術面的代理時，每個代理可以在自己的領域做得更精細。更重要的是，看漲和看跌研究員的辯論機制，讓系統內建了「制衡」，這在金融決策中至關重要。

學術基礎與開源實作

TradingAgents 有學術論文支撐（arXiv: 2412.20138），並且有 Trading-R1 技術報告（arXiv: 2509.11420）進一步探討推理模型的應用。這不是一個只有 README 的玩具專案，而是有嚴謹學術設計的框架。

如何開始使用？

TradingAgents 提供了多種安裝方式。

基本安裝

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

conda create -n tradingagents python=3.12
conda activate tradingagents

pip install .

使用 Docker（推薦快速體驗）

cp .env.example .env  # 填入你的 API keys
docker compose run --rm tradingagents

環境變數設定

TradingAgents 支援多個 LLM 供應商，你可以選擇最方便的：

export OPENAI_API_KEY=...          # OpenAI (GPT)
export ANTHROPIC_API_KEY=...       # Anthropic (Claude)
export GOOGLE_API_KEY=...          # Google (Gemini)
export DEEPSEEK_API_KEY=...        # DeepSeek
export DASHSCOPE_API_KEY=...       # Qwen（國際端點）
export ZHIPU_API_KEY=...           # GLM（國際端點）

同時需要 Alpha Vantage 的 API key 來獲取市場數據。

本機模型支援

如果你不想依賴雲端 API，可以搭配 Ollama 使用本機模型：

# 先拉取模型
ollama pull <model-name>

# 使用 Ollama 配置
docker compose --profile ollama run --rm tradingagents-ollama

或在配置中設定 llm_provider: "ollama"，默認端點為 http://localhost:11434/v1。

啟動 CLI

tradingagents          # 已安裝的命令
# 或
python -m cli.main     # 從原始碼直接運行

啟動後會出現互動式介面，你可以選擇股票代碼、分析日期、LLM 供應商、研究深度等參數。

支援的市場

TradingAgents 支援 Yahoo Finance 覆蓋的所有市場，包括：

美國：AAPL、SPY
香港：0700.HK
東京：7203.T
倫敦：AZN.L
加密貨幣：BTC-USD、ETH-USD
中國 A 股：上海 600519.SS（貴州茅台）、深圳 ...SZ

限制與風險

TradingAgents 官方明確聲明：這是一套研究框架，不是投資建議。 交易表現會受到多個因素影響，包括背骨語言模型的選擇、模型溫度參數、交易期間、數據品質以及其他非確定性因素。

以下是我認為值得注意的限制：

模擬環境：目前的交易執行在模擬交易所進行，不代表真實市場條件。
LLM 成本：多代理架構意味著大量 API 調用，使用雲端 LLM 會產生顯著成本。
非確定性：LLM 的輸出具有隨機性，相同的輸入可能產生不同的分析結論。
數據延遲：市場數據來源（如 Alpha Vantage、Yahoo Finance）存在延遲，不適合高頻交易場景。

誰適合用 TradingAgents？

我認為以下幾類人群會從中獲益：

AI 代理架構研究者：想研究多代理協作在金融領域的具體實現方式。
量化交易學習者：想理解基本面、技術面、情緒面分析如何整合為決策流程。
LLM 應用開發者：想參考一個成熟的多代理系統設計模式，套用到自己的領域。
教育與教學場景：用來展示 LLM 多代理架構的實際應用範例。

如果你只是想找一個「自動幫你賺錢」的機器人，TradingAgents 可能不是你的菜。但如果你想理解 AI 代理如何在複雜決策中分工協作，這個框架提供了非常好的參考藍圖。

總結

TradingAgents 不是又一個「AI 炒股」的噱頭專案。它把真實交易室的分工邏輯——分析、辯論、決策、风控——完整地映射到多代理架構中，並且有學術論文和開源實作作為支撐。無論你是否對金融交易感興趣，它都值得作為多代理 AI 系統設計的一個學習案例。

參考資料