【GitHub项目推荐--TradingAgents-CN：基于多智能体LLM的中文金融交易框架】

是一个基于多智能体大语言模型的中文金融交易决策框架，专为中文用户优化，提供完整的A股、港股、美股分析能力。该项目是原版TradingAgents的中文增强版本，集成了国产大模型，支持多市场分析，并提供了企业级的工作流规范。🔗 GitHub地址🚀 核心价值：金融交易 · 多智能体 · LLM驱动 · 中文优化 · 开源框架项目背景：中文金融：应对中文金融交易需求多智能体：

旅之灵夫

2164人浏览 · 2025-10-08 07:10:47

旅之灵夫 · 2025-10-08 07:10:47 发布

简介

TradingAgents-CN 是一个基于多智能体大语言模型的中文金融交易决策框架，专为中文用户优化，提供完整的A股、港股、美股分析能力。该项目是原版TradingAgents的中文增强版本，集成了国产大模型，支持多市场分析，并提供了企业级的工作流规范。

🔗 GitHub地址：

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

🚀 核心价值：

金融交易 · 多智能体 · LLM驱动 · 中文优化 · 开源框架

项目背景：

中文金融：应对中文金融交易需求
多智能体：多智能体协作决策
国产模型：集成国产大语言模型
多市场：支持A股、港股、美股
开源生态：推动开源金融AI发展

项目特色：

🤖 多智能体：多智能体协作架构
🇨🇳 中文优化：专为中文用户优化
🌐 多市场：多市场数据支持
🧠 LLM集成：多LLM提供商集成
🆓 开源免费：MIT许可证开源

技术亮点：

智能体协作：多智能体协作决策
国产模型：国产大模型集成
实时分析：实时市场分析
专业报告：专业投资报告生成
企业级：企业级部署支持

主要功能

1. 核心功能体系

TradingAgents-CN提供了一套完整的金融交易决策解决方案，涵盖市场分析、智能体协作、风险管理、报告生成、多模型支持、用户管理等多个方面。

智能体协作功能：

分析师团队:
- 市场分析师: 技术面分析
- 基本面分析师: 基本面分析
- 新闻分析师: 新闻情绪分析
- 情绪分析师: 市场情绪分析
- 专业分工: 各司其职

研究团队:
- 看涨研究员: 看涨观点分析
- 看跌研究员: 看跌观点分析
- 多轮辩论: 观点辩论机制
- 共识形成: 达成投资共识
- 决策支持: 提供决策支持

管理层:
- 交易决策员: 最终投资决策
- 风险管理员: 风险管理控制
- 研究主管: 研究流程管理
- 协调管理: 智能体协调管理
- 质量控制: 研究质量把控

市场分析功能：

多市场支持:
- A股市场: 沪深股市支持
- 港股市场: 香港股市支持
- 美股市场: 美国股市支持
- 数据源: 多数据源集成
- 实时行情: 实时行情数据

分析深度:
- 快速分析: 2-4分钟快速分析
- 基础分析: 4-6分钟基础分析
- 标准分析: 6-10分钟标准分析
- 深度分析: 10-15分钟深度分析
- 全面分析: 15-25分钟全面分析

分析维度:
- 技术分析: 技术指标分析
- 基本面分析: 财务基本面分析
- 新闻分析: 新闻事件分析
- 情绪分析: 市场情绪分析
- 风险分析: 投资风险分析

2. 高级功能

LLM集成功能：

多模型支持:
- 国产模型: 阿里百炼、DeepSeek
- 国际模型: Google AI、OpenAI
- 聚合平台: OpenRouter平台
- 自定义: 自定义模型支持
- 60+模型: 60多种模型选择

智能适配:
- 统一接口: 统一调用接口
- 智能选择: 智能模型选择
- 性能优化: 性能优化配置
- 成本控制: 使用成本控制
- 故障转移: 自动故障转移

模型管理:
- 配置持久化: 配置持久化存储
- 快速切换: 快速模型切换
- 性能监控: 性能监控统计
- 使用统计: 使用情况统计
- 模型评估: 模型效果评估

风险管理功能：

风险识别:
- 市场风险: 市场风险识别
- 个股风险: 个股风险识别
- 行业风险: 行业风险识别
- 系统性风险: 系统性风险识别
- 黑天鹅风险: 极端风险识别

风险评估:
- 风险量化: 风险量化评估
- 风险评分: 风险评分系统
- 压力测试: 压力测试场景
- 敏感性分析: 敏感性分析
- 风险矩阵: 风险矩阵评估

风险控制:
- 风险限额: 风险限额管理
- 止损机制: 自动止损机制
- 分散投资: 投资分散策略
- 对冲策略: 风险对冲策略
- 实时监控: 风险实时监控

报告生成功能：

报告格式:
- Markdown: Markdown格式报告
- Word: Word文档报告
- PDF: PDF格式报告
- 结构化: 结构化数据报告
- 可视化: 可视化图表报告

报告内容:
- 投资建议: 明确投资建议
- 分析摘要: 分析结果摘要
- 详细分析: 详细分析内容
- 风险提示: 风险提示内容
- 配置信息: 分析配置信息

报告定制:
- 模板定制: 报告模板定制
- 内容定制: 报告内容定制
- 格式定制: 输出格式定制
- 品牌定制: 品牌标识定制
- 多语言: 多语言报告支持

用户管理功能：

权限管理:
- 用户角色: 多级用户角色
- 权限控制: 精细权限控制
- 访问控制: 访问权限控制
- 操作权限: 操作权限管理
- 数据权限: 数据访问权限

安全管理:
- 用户认证: 用户身份认证
- 密码安全: 密码安全管理
- 会话管理: 用户会话管理
- 审计日志: 操作审计日志
- 安全策略: 安全策略配置

管理工具:
- 用户管理: 用户信息管理
- 角色管理: 角色权限管理
- 日志查看: 操作日志查看
- 统计报表: 使用统计报表
- 系统配置: 系统配置管理

安装与配置

1. 环境准备

系统要求：

硬件要求:
- 内存: 8GB+ RAM (推荐16GB)
- 存储: 50GB+ 可用空间
- CPU: 多核处理器
- 网络: 稳定网络连接
- GPU: 可选(加速支持)

软件要求:
- Docker: Docker环境
- Python: 3.10+
- MongoDB: 数据库支持
- Redis: 缓存支持
- 操作系统: Linux, macOS, Windows

生产要求:
- 云服务器: 云服务器部署
- 域名SSL: 域名和SSL证书
- 监控系统: 系统监控工具
- 备份系统: 数据备份系统
- 安全配置: 安全防护配置

2. 安装步骤

Docker安装（推荐）：

# 克隆项目
git clone https://github.com/hsliuping/TradingAgents-CN.git
cd TradingAgents-CN

# 配置环境变量
cp .env.example .env
# 编辑.env文件配置API密钥

# 启动服务
docker-compose up -d --build

# 或使用智能启动脚本
# Windows
powershell -ExecutionPolicy Bypass -File scripts/smart_start.ps1

# Linux/Mac
chmod +x scripts/smart_start.sh
./scripts/smart_start.sh

本地安装：

# 克隆项目
git clone https://github.com/hsliuping/TradingAgents-CN.git
cd TradingAgents-CN

# 创建虚拟环境
python -m venv env
source env/bin/activate  # Linux/Mac
env\Scripts\activate     # Windows

# 安装依赖
pip install -e .

# 或使用requirements.txt
pip install -r requirements.txt

# 配置API密钥
cp .env.example .env
# 编辑.env文件配置API密钥

# 启动应用
python start_web.py

API密钥配置：

# .env配置文件示例
# 国产模型推荐配置
DASHSCOPE_API_KEY=your_dashscope_api_key
DEEPSEEK_API_KEY=your_deepseek_api_key

# 数据源配置
TUSHARE_TOKEN=your_tushare_token
FINNHUB_API_KEY=your_finnhub_api_key

# 国际模型配置
OPENAI_API_KEY=your_openai_api_key
GOOGLE_API_KEY=your_google_api_key

# 数据库配置
MONGODB_ENABLED=true
REDIS_ENABLED=true

数据库配置：

# Docker部署自动包含数据库
# 本地部署可单独启动数据库服务
docker-compose up -d mongodb redis

# 或使用本地安装
# 安装MongoDB和Redis
# 配置连接信息

3. 配置说明

模型配置：

# 模型配置示例
LLM_CONFIG = {
    "default_provider": "dashscope",
    "providers": {
        "dashscope": {
            "api_key": "your_dashscope_key",
            "models": ["qwen-turbo", "qwen-plus", "qwen-max"]
        },
        "deepseek": {
            "api_key": "your_deepseek_key",
            "models": ["deepseek-chat"]
        },
        "google": {
            "api_key": "your_google_key",
            "models": ["gemini-2.5-pro", "gemini-2.5-flash"]
        }
    },
    "fallback_order": ["dashscope", "deepseek", "google", "openai"]
}

分析配置：

# 分析配置示例
ANALYSIS_CONFIG = {
    "default_depth": 3,
    "max_debate_rounds": 3,
    "timeout": 1800,
    "enable_news": true,
    "enable_sentiment": true,
    "enable_technical": true,
    "enable_fundamental": true,
    "risk_tolerance": "medium"
}

风险配置：

# 风险配置示例
RISK_CONFIG = {
    "max_position_size": 0.1,
    "stop_loss": 0.08,
    "take_profit": 0.2,
    "max_drawdown": 0.15,
    "volatility_limit": 0.3,
    "liquidity_requirement": 1000000,
    "sector_limit": 0.2
}

使用指南

1. 基本工作流

使用TradingAgents-CN的基本流程包括：环境准备 → 安装配置 → 模型选择 → 股票选择 → 分析深度 → 开始分析 → 结果查看 → 报告导出。整个过程设计为简单高效。

2. 基本使用

Web界面使用：

1. 访问界面:
   - 启动应用: 启动Web服务
   - 访问地址: http://localhost:8501
   - 登录系统: 使用账号登录
   - 界面熟悉: 熟悉界面功能

2. 配置分析:
   - 选择模型: 选择LLM模型
   - 输入股票: 输入股票代码
   - 选择市场: 选择股票市场
   - 分析深度: 选择分析深度
   - 高级设置: 高级参数设置

3. 执行分析:
   - 开始分析: 点击开始分析
   - 实时进度: 查看分析进度
   - 结果查看: 查看分析结果
   - 报告导出: 导出分析报告
   - 历史记录: 查看历史分析

股票代码格式：

A股格式:
- 上海主板: 600000
- 深圳主板: 000001
- 创业板: 300750
- 科创板: 688001

港股格式:
- 腾讯: 0700.HK
- 阿里: 9988.HK
- 美团: 3690.HK
- 小米: 1810.HK

美股格式:
- 苹果: AAPL
- 特斯拉: TSLA
- 微软: MSFT
- 谷歌: GOOGL

分析深度选择：

深度级别:
1级(2-4分钟): 快速概览,日常监控
2级(4-6分钟): 基础分析,常规投资
3级(6-10分钟): 标准分析,推荐默认
4级(10-15分钟): 深度分析,重要决策
5级(15-25分钟): 全面分析,重大决策

选择建议:
- 日常监控: 1-2级
- 一般投资: 3级
- 重要决策: 4级
- 重大投资: 5级

3. 高级用法

多智能体协作：

智能体分工:
- 市场分析师: 技术指标分析
- 基本面分析师: 财务数据分析
- 新闻分析师: 新闻事件分析
- 情绪分析师: 市场情绪分析
- 看涨研究员: 看涨观点论证
- 看跌研究员: 看跌观点论证

协作流程:
- 独立分析: 各智能体独立分析
- 观点陈述: 陈述分析观点
- 多轮辩论: 多轮观点辩论
- 共识形成: 达成投资共识
- 决策建议: 提供决策建议

流程优化:
- 并发分析: 并行分析优化
- 辩论控制: 辩论轮次控制
- 共识算法: 智能共识算法
- 质量控制: 分析质量把控
- 性能优化: 性能优化调整

风险管理应用：

风险识别:
- 市场风险: 识别市场风险
- 信用风险: 识别信用风险
- 流动性风险: 流动性风险
- 操作风险: 操作风险识别
- 法律风险: 法律合规风险

风险评估:
- 定量评估: 定量风险评估
- 定性评估: 定性风险评估
- 压力测试: 极端情景测试
- 敏感性分析: 参数敏感性
- 回溯测试: 历史回溯测试

风险应对:
- 风险规避: 避免高风险投资
- 风险降低: 降低风险暴露
- 风险转移: 风险转移策略
- 风险接受: 风险接受策略
- 应急计划: 应急预案制定

报告定制开发：

模板开发:
- 报告模板: 开发报告模板
- 样式定制: 定制报告样式
- 内容结构: 定义内容结构
- 数据绑定: 数据绑定配置
- 多格式支持: 多格式输出支持

内容生成:
- 自动生成: 自动内容生成
- 数据填充: 数据自动填充
- 图表生成: 自动图表生成
- 风险披露: 自动风险披露
- 合规检查: 合规性检查

高级功能:
- 批量生成: 批量报告生成
- 定时报告: 定时报告生成
- API集成: API集成生成
- 自定义逻辑: 自定义生成逻辑
- 质量检查: 报告质量检查

应用场景实例

案例1：个人投资决策

场景：个人投资者股票分析

解决方案：使用TradingAgents-CN进行投资分析。

实施方法：

股票选择：选择关注股票
快速分析：快速分析股票
深度研究：深度研究重点股票
投资决策：基于分析决策
持续监控：持续监控持仓

个人价值：

决策支持：投资决策支持
研究效率：提高研究效率
风险控制：更好风险控制
收益提升：投资收益提升
学习工具：投资学习工具

案例2：机构研究辅助

场景：金融机构研究部门

解决方案：使用TradingAgents-CN辅助研究。

实施方法：

覆盖股票：覆盖研究股票
初步筛选：初步筛选股票
深度研究：深度研究标的
报告生成：生成研究报告
团队协作：研究团队协作

机构价值：

研究效率：提高研究效率
覆盖范围：扩大覆盖范围
报告质量：提升报告质量
一致性：研究标准一致
成本优化：研究成本优化

案例3：投资教育培训

场景：金融投资教育培训

解决方案：使用TradingAgents-CN进行教学。

实施方法：

案例分析：实际案例分析
方法演示：分析方法演示
实操训练：学生实操训练
结果对比：分析结果对比
知识巩固：投资知识巩固

教育价值：

实践教学：实践案例教学
方法学习：分析方法学习
技能提升：分析技能提升
实时数据：实时市场数据
互动学习：互动式学习

案例4：量化策略研究

场景：量化策略研究开发

解决方案：使用TradingAgents-CN研究策略。

实施方法：

信号生成：生成交易信号
策略回测：策略回测验证
参数优化：策略参数优化
实盘测试：实盘性能测试
监控优化：实时监控优化

量化价值：

信号质量：提高信号质量
研究效率：提高研究效率
多策略：多策略研究支持
自动化：自动化研究流程
绩效提升：策略绩效提升

案例5：风险管理应用

场景：投资风险管理

解决方案：使用TradingAgents-CN进行风险管理。

实施方法：

风险识别：识别投资风险
风险评估：评估风险程度
风险监控：实时风险监控
风险报告：生成风险报告
风险应对：制定应对策略

风控价值：

风险识别：早期风险识别
评估精度：提高评估精度
实时监控：实时风险监控
报告自动化：自动风险报告
决策支持：风控决策支持

总结

TradingAgents-CN作为一个功能强大的多智能体金融交易框架，通过其中文优化、多市场支持、多模型集成、智能体协作和风险管理，为金融交易决策提供了理想的解决方案。

核心优势：

🤖 多智能体：多智能体协作决策
🇨🇳 中文优化：专为中文用户优化
🌐 多市场：多市场数据支持
🧠 LLM集成：多LLM提供商集成
🆓 开源免费：MIT许可证开源

适用场景：

个人投资决策
机构研究辅助
投资教育培训
量化策略研究
风险管理应用

立即开始使用：

# Docker快速开始
git clone https://github.com/hsliuping/TradingAgents-CN.git
cd TradingAgents-CN
docker-compose up -d

# 访问 http://localhost:8501

资源链接：

📚 项目地址：GitHub仓库
📖 文档：详细中文文档
💬 社区：技术社区支持
🐛 问题：GitHub Issues
🔧 示例：使用示例代码

通过TradingAgents-CN，您可以：

智能分析：智能股票分析
多市场：多市场投资分析
风险管理：投资风险管理
报告生成：专业报告生成
决策支持：投资决策支持

无论您是个人投资者、金融从业者、教育工作者、量化研究员还是风险管理人员，TradingAgents-CN都能为您提供强大、可靠且易用的金融分析解决方案！

特别提示：

⚠️ 投资风险：注意投资风险
🔒 API安全：保护API密钥
📊 数据质量：注意数据质量
🔧 正确配置：正确系统配置
🆘 社区支持：利用社区支持

通过TradingAgents-CN，共同推动智能金融的发展！

未来发展：

🚀 更多功能：持续添加新功能
🤖 更智能：更智能的分析
🌍 更广泛：更广泛的市场支持
⚡ 更快速：更快的分析速度
🔧 更易用：更简单的使用体验

加入社区：

参与方式:
- GitHub: 提交问题和PR
- QQ群: 加入技术交流群
- 文档: 贡献文档改进
- 示例: 贡献使用示例
- 翻译: 多语言翻译支持

社区价值:
- 技术交流学习
- 问题解答支持
- 功能建议讨论
- 项目贡献认可
- 职业发展机会

通过TradingAgents-CN，共同构建更好的金融开发生态！

许可证：

MIT许可证
免费用于学术和商业用途

致谢：

特别感谢:
- 开发团队: 项目开发和维护
- 贡献者: 代码和功能贡献
- 用户社区: 用户反馈和支持
- 开源项目: 依赖的开源项目
- 数据提供商: 数据服务支持

通过TradingAgents-CN，体验智能金融分析的无限可能！

ModelEngine社区

更多推荐

从崩溃到自愈：Temporal+MCP-Agent构建永不中断的AI工作流

你是否遇到过AI工作流执行到90%突然崩溃的绝望？训练了数小时的模型因服务器重启前功尽弃？团队协作时因某人未及时审批导致整个流程停滞？本文将展示如何通过Temporal与MCP-Agent的深度集成，彻底解决这些痛点，构建真正企业级的可靠AI工作流系统。读完本文你将掌握：- 3行代码实现工作流故障自愈- 零停机升级正在运行的AI任务- 跨团队协作的工作流信号机制- 从本地开发到生产集群