TradingAgents介绍
团队/作者：Yijia Xiao、Edward Sun、Di Luo、Wei Wang。日期：arXiv 初版提交于 2024-12-28，当前版本 v7 修订于 2025-06-03。
TradingAgents 是一个多智能体交易框架，目标是模拟真实交易机构中的协作流程。它不是由单个 LLM 直接输出买卖动作，而是把投研、辩论、交易和风控拆成多个角色，让每个 agent 专注一类信息或一个决策环节。
输入：ticker + analysis date
|
v
Analyst Team
- Fundamentals Analyst: 财务和基本面
- Sentiment Analyst: 新闻、社媒、市场情绪
- News Analyst: 宏观和事件
- Technical Analyst: MACD、RSI、价格形态
|
v
Researcher Team
- Bull Researcher: 多头论证
- Bear Researcher: 空头论证
|
v
Research Manager
- 汇总多空观点，形成研究结论
|
v
Trader Agent
- 生成交易计划：方向、时点、规模
|
v
Risk Management Team
- 激进 / 中性 / 保守风险视角
|
v
Portfolio Manager
- 最终批准或拒绝交易提案
|
v
模拟交易执行 + 决策日志
架构设计拆解
角色分解
TradingAgents 的核心不是某个模型，而是清晰的任务边界。分析师负责感知和解释数据，研究员负责多空辩论，交易员负责把观点转成交易方案，风控团队负责反向约束，组合经理做最终裁决。
辩论机制
多头和空头研究员强制提出相反观点，避免单 agent 只沿着一个叙事继续展开。这对金融任务很重要，因为同一条新闻往往同时包含机会和风险。
风控后置
交易计划不是最后一步。系统会把交易员建议交给风险管理团队，再由 Portfolio Manager 批准或拒绝。这让风控成为工作流节点，而不是事后文字解释。
可观测性
多角色系统天然产生 trace：每个 agent 的输入、报告、辩论和裁决都可以记录。对数据科学团队来说，这比单个黑盒 prompt 更便于做 error analysis 和 ablation。
为什么它值得研究
- 它把金融决策拆成可以审查的子任务，而不是把所有责任塞给一个大 prompt。
- 它提供了多 agent 编排的样板：角色、输入、输出、交接、裁决。
- 它适合讨论 agent workflow 的评价方式：去掉某个角色后收益、风险或稳定性是否变化。
- 它提醒我们，agent 架构的价值不只在收益，也在可解释性、可调试性和组织流程映射。
需要警惕的地方
- 多 agent 会增加 token 成本、延迟和不确定性。
- 角色越多，越需要清晰的输入输出 schema，否则容易变成长篇自然语言接力。
- 如果没有严格的交易成本、执行语义和时间切分，回测结果仍然不宜直接采信。
- 真实部署时，LLM 不应直接拥有不受约束的下单权限；它更适合承担研究、建议和风控解释职责。