TauricResearch/TradingAgents

📌 【開源專案】TradingAgents：建構多代理 LLM 金融交易框架

TL;DR：一個支援多模型、多資料來源且具備決策記錄與回測功能的 LLM 金融交易多代理框架。

在金融交易中，單一 LLM 往往難以同時兼顧研究、交易執行與資產配置。如何將複雜的交易流程拆解成不同職能的代理（Agents）協作，並確保資料獲取的正確性，是目前開發交易 AI 的核心挑戰。

🧩 以職能分工的結構化代理設計

TradingAgents 採用多代理（Multi-Agents）架構，將交易流程拆分為具備特定職能的結構化代理，包括：

• Research Manager：負責研究分析。
• Trader：負責執行交易。
• Portfolio Manager：負責管理投資組合。

此外，系統整合了 LangGraph 的 checkpoint resume 功能，允許在執行過程中恢復狀態，並提供持久化的決策日誌（persistent decision log）以追蹤交易邏輯。

📊 廣泛的模型支援與資料整合

該框架在模型相容性與資料獲取上具有高度彈性：

• 模型支援：涵蓋 GPT-5.5、Claude Sonnet 5、Fable 5、DeepSeek、Qwen、GLM、MiniMax、Mistral 以及任何 OpenAI 相容的端點，並支援遠端 Ollama。
• 資料供應商：整合了 Alpha Vantage（含 look-ahead 過濾）、FRED、Polymarket 及加密貨幣情緒分析來源。
• 基礎設施：提供 Docker 支援、環境變數配置（TRADINGAGENTS_*）以及 API-key 自動偵測。

💡 針對交易穩定性的技術最佳化

為了提升在金融場景下的可靠度，專案在近期更新中強化了多項穩定性機制：

• 資料正確性：實作了經過驗證的資料存取合約（verified data-access contract）與 ticker 路徑遍歷強化（path-traversal hardening）。
• 系統魯棒性：引入 graph-router 崩潰安全機制、可配置的 LLM 重試預算（retry budget），以及能感知圖形形狀（graph-shape-aware）的檢查點恢復功能。
• 回測精度：針對回測的日期忠實度（date fidelity）進行了最佳化，確保模擬結果更接近真實情況。

🎯 實務啟示

對於想要開發 AI 交易系統的工程師，該專案提供了將「研究 $\rightarrow$ 決策 $\rightarrow$ 執行」流程模組化的參考實作。特別是其對多模型（Multi-LLM）的整合與對資料洩漏（Look-ahead bias）的過濾處理，是建構金融 AI 系統時必須考慮的工程細節。

🔗 來源

• 標題：TauricResearch/TradingAgents
• 作者／機構：TauricResearch
• 連結：https://github.com/TauricResearch/TradingAgents

#AI #LLM #QuantitativeTrading #MultiAgent #LangGraph #FinancialAI #OpenSource #TradingBot #FinTech #MachineLearning