TradingAgents无GPU环境下跑通多智能体LLM交易回测的上手指南【免费下载链接】TradingAgents-AI.github.ioTradingAgents: Multi-Agents LLM Financial Trading Framework项目地址: https://gitcode.com/GitHub_Trending/tr/TradingAgents-AI.github.ioTradingAgents 是一个让多个 LLM 智能体扮演分析师、研究员、交易员与风控、协作做交易决策的金融交易框架推理全部走 API不需要本地 GPU。适合第一次接触该项目、想先看懂架构设计与回测结果的开发者环境只需浏览器若要用命令在本地起服务Python 3.8–3.10 均可。传统单模型交易决策的三个痛点单一模型同时消化行情、舆情与财报上下文互相干扰结论难以复核框架把这四类数据源拆给 4 个专职分析师各自只产出本领域的要点摘要。单边提示下 LLM 容易给出顺向结论框架让 Bullish 与 Bearish 两名研究员对同一标的辩论分歧连同证据一起传给下游。决策与风控混在同一步出错后无法定位框架要求交易提案依次经过 3 个不同风险偏好的风控智能体和 Manager 两级审查每步留痕。TradingAgents 多智能体角色分工一览核心机制是一条流水线4 个分析师并发采集数据 → Bullish/Bearish 研究员辩论 → Trader 汇总证据提出交易提案 → 3 个风控智能体复核 → Manager 批准并执行角色之间用结构化协议通信以缓解长对话中的信息丢失。模块角色职责Analysts TeamMarket / Social / News / Fundamentals 4人并发采集行情技术面、社交舆情、新闻、基本面数据各输出要点摘要Researcher TeamBullish / Bearish基于分析师摘要做多空辩论形成买入证据与卖出证据Trader综合辩论结论与历史交易记录生成买 / 卖 / 持有提案Risk Management TeamAggressive / Neutral / Conservative按三种风险偏好审查提案控制风险敞口Manager汇总风控报告做最终批准并执行仓库获取与本地查看步骤该仓库是项目官方主页包含架构图、回测图表与完整实验说明回测框架本体官方计划以源码或 API 形式发布说明见 README.md。git clone https://gitcode.com/GitHub_Trending/tr/TradingAgents-AI.github.io cd TradingAgents-AI.github.iopython -m http.server 8000在浏览器打开 localhost:8000 即可浏览完整主页直接双击 index.html 也可以但相对路径资源在部分浏览器下会加载异常。回测参数设置论文使用的5个关键取值参数取值影响历史行情数据2024-01-01 至 2024-03-29OHLCV 与复权价决定可用数据窗口每日只用到当日及以前的数据模拟交易区间2024-06-19 至 2024-11-19回测逐日推进无前视偏差标的AAPL / GOOGL / AMZN指标按三只股票分别报告基线策略Buy-and-Hold、MACD、KDJRSI、ZMR、SMA同窗口对照排除只是行情好的解释模型分工快速思考模型负责取数深度思考模型负责分析与决策推理全部通过 API 完成无需 GPUAAPL 回测结果累积收益与最大回撤图中 TradingAgents 曲线终点约 1.29Buy-and-Hold 收于约 0.96其余四条规则策略集中在 1.00 附近。论文指标表AAPL 一行累积收益 26.62%、年化收益 30.50%、夏普比率 8.21、最大回撤 0.91%三只标的中最大回撤介于 0.91% 与 2.11% 之间。常见问题现象、原因与处理现象原因处理index.html 图片不显示、样式错乱file:// 协议限制相对资源加载改用 python -m http.server 8000走 localhost 访问仓库里找不到回测代码该仓库为官方主页框架本体尚未发布关注 README.md 的发布说明源码或 API 形式git clone 超时网络链路问题重试即可仓库以静态页和图片为主体积不大主页图表与论文指标对不上两处数据出自不同版本以 index_complete.html 中的 Table 1 为准进一步阅读实验数据与论文index_complete.html7 个角色的逐一定义、Agent 通信协议与 AAPL/GOOGL/AMZN 三标的指标对比表。static/docs/RNA-GPT-Neurips.pdf仓库内置的相关论文 PDF可对照阅读。论文引用arXiv:2412.20138article{xiao2024tradingagents, title{TradingAgents: Multi-Agents LLM Financial Trading Framework}, author{Xiao, Yijia and Sun, Edward and Luo, Di and Wang, Wei}, journal{arXiv preprint arXiv:2412.20138}, year{2024}}TradingAgents 现阶段给出的是一套可复核的设计与实验数据架构、角色分工和回测指标都能在主页逐一对应。建议先通读 index_complete.html等框架源码发布后再进入回测复现阶段。【免费下载链接】TradingAgents-AI.github.ioTradingAgents: Multi-Agents LLM Financial Trading Framework项目地址: https://gitcode.com/GitHub_Trending/tr/TradingAgents-AI.github.io创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考 
长河君 · 2026/8/22 21:59:35 · 阅读 1.2k TradingAgents：无GPU环境下跑通多智能体LLM交易回测的上手指南
TradingAgents无GPU环境下跑通多智能体LLM交易回测的上手指南【免费下载链接】TradingAgents-AI.github.ioTradingAgents: Multi-Agents LLM Financial Trading Framework项目地址: https://gitcode.com/GitHub_Trending/tr/TradingAgents-AI.github.ioTradingAgents 是一个让多个 LLM 智能体扮演分析师、研究员、交易员与风控、协作做交易决策的金融交易框架推理全部走 API不需要本地 GPU。适合第一次接触该项目、想先看懂架构设计与回测结果的开发者环境只需浏览器若要用命令在本地起服务Python 3.8–3.10 均可。传统单模型交易决策的三个痛点单一模型同时消化行情、舆情与财报上下文互相干扰结论难以复核框架把这四类数据源拆给 4 个专职分析师各自只产出本领域的要点摘要。单边提示下 LLM 容易给出顺向结论框架让 Bullish 与 Bearish 两名研究员对同一标的辩论分歧连同证据一起传给下游。决策与风控混在同一步出错后无法定位框架要求交易提案依次经过 3 个不同风险偏好的风控智能体和 Manager 两级审查每步留痕。TradingAgents 多智能体角色分工一览核心机制是一条流水线4 个分析师并发采集数据 → Bullish/Bearish 研究员辩论 → Trader 汇总证据提出交易提案 → 3 个风控智能体复核 → Manager 批准并执行角色之间用结构化协议通信以缓解长对话中的信息丢失。模块角色职责Analysts TeamMarket / Social / News / Fundamentals 4人并发采集行情技术面、社交舆情、新闻、基本面数据各输出要点摘要Researcher TeamBullish / Bearish基于分析师摘要做多空辩论形成买入证据与卖出证据Trader综合辩论结论与历史交易记录生成买 / 卖 / 持有提案Risk Management TeamAggressive / Neutral / Conservative按三种风险偏好审查提案控制风险敞口Manager汇总风控报告做最终批准并执行仓库获取与本地查看步骤该仓库是项目官方主页包含架构图、回测图表与完整实验说明回测框架本体官方计划以源码或 API 形式发布说明见 README.md。git clone https://gitcode.com/GitHub_Trending/tr/TradingAgents-AI.github.io cd TradingAgents-AI.github.iopython -m http.server 8000在浏览器打开 localhost:8000 即可浏览完整主页直接双击 index.html 也可以但相对路径资源在部分浏览器下会加载异常。回测参数设置论文使用的5个关键取值参数取值影响历史行情数据2024-01-01 至 2024-03-29OHLCV 与复权价决定可用数据窗口每日只用到当日及以前的数据模拟交易区间2024-06-19 至 2024-11-19回测逐日推进无前视偏差标的AAPL / GOOGL / AMZN指标按三只股票分别报告基线策略Buy-and-Hold、MACD、KDJRSI、ZMR、SMA同窗口对照排除只是行情好的解释模型分工快速思考模型负责取数深度思考模型负责分析与决策推理全部通过 API 完成无需 GPUAAPL 回测结果累积收益与最大回撤图中 TradingAgents 曲线终点约 1.29Buy-and-Hold 收于约 0.96其余四条规则策略集中在 1.00 附近。论文指标表AAPL 一行累积收益 26.62%、年化收益 30.50%、夏普比率 8.21、最大回撤 0.91%三只标的中最大回撤介于 0.91% 与 2.11% 之间。常见问题现象、原因与处理现象原因处理index.html 图片不显示、样式错乱file:// 协议限制相对资源加载改用 python -m http.server 8000走 localhost 访问仓库里找不到回测代码该仓库为官方主页框架本体尚未发布关注 README.md 的发布说明源码或 API 形式git clone 超时网络链路问题重试即可仓库以静态页和图片为主体积不大主页图表与论文指标对不上两处数据出自不同版本以 index_complete.html 中的 Table 1 为准进一步阅读实验数据与论文index_complete.html7 个角色的逐一定义、Agent 通信协议与 AAPL/GOOGL/AMZN 三标的指标对比表。static/docs/RNA-GPT-Neurips.pdf仓库内置的相关论文 PDF可对照阅读。论文引用arXiv:2412.20138article{xiao2024tradingagents, title{TradingAgents: Multi-Agents LLM Financial Trading Framework}, author{Xiao, Yijia and Sun, Edward and Luo, Di and Wang, Wei}, journal{arXiv preprint arXiv:2412.20138}, year{2024}}TradingAgents 现阶段给出的是一套可复核的设计与实验数据架构、角色分工和回测指标都能在主页逐一对应。建议先通读 index_complete.html等框架源码发布后再进入回测复现阶段。【免费下载链接】TradingAgents-AI.github.ioTradingAgents: Multi-Agents LLM Financial Trading Framework项目地址: https://gitcode.com/GitHub_Trending/tr/TradingAgents-AI.github.io创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考