TradingAgents-CN 快速指南3分钟跑通多智能体LLM金融分析【免费下载链接】profile-summary-for-githubTool for visualizing GitHub profiles项目地址: https://gitcode.com/gh_mirrors/pr/profile-summary-for-github指标、财报、资金流向、新闻——A股要盯的东西太多一个人根本盯不过来。TradingAgents-CN 是一个中文量化框架它用多智能体 LLM 的方式让 AI 投资研究智能体替你值班拉行情、读财报、盯舆情你只看最终结论。数据源接入 AkShare、Tushare、BaoStock 等都是 A 股常用的数据通道。 它其实是代码里的一个投研团队如果把这个项目当成一家公司里面有四类员工分工和真实投研团队一模一样研究员团队一人唱多列机会和利好催化一人唱空摆风险和利空因素。双方拿出证据来回交锋后形成比较均衡的观点。交易员接过研究结论把它翻译成具体策略——什么时候买、买多少、何时止盈。风险管理团队给组合算风险敞口分别从激进、中立、保守三个口径给建议负责踩刹车。管理者听三方汇报汇总权衡拍板最终决策。这种多智能体协同的好处很实际每一步都有人负责每个结论都能回溯依据你不用猜这条建议是怎么来的。⏱️ 3分钟到30分钟三条上手路径选哪条路看你是什么人路径耗时适合谁你能得到什么绿色版约 3 分钟零基础、只想体验下载即跑不用配置环境Docker 版约 10 分钟团队生产环境使用服务隔离、资源可控支持多架构镜像源码版约 30 分钟打算二次开发完全可控自由加功能、调参数三条路共用一套技术栈后端是 FastAPI Uvicorn 微服务前端是 Vue 3 Vite Element Plus数据存储用 MongoDB Redis。前两条路当天就能把界面跑起来启动后打开 3000 端口的 Web 界面和 8000 端口的 API 即可验证。 一个交易观点是怎么诞生的以分析一只股票为例完整的金融分析流程分四步数据进来系统从实时行情AkShare、Tushare、基本面财务指标、行业数据、新闻舆情资讯、社媒情绪三类源自动取数智能体不用自己抓任何东西。多空辩论研究员团队分饰多头和空头多头列成长点和积极催化空头列下跌风险与坏消息几轮交锋后双方观点收敛。风险把关风险管理团队按激进、中立、保守三个口径评估当前风险暴露告诉管理者这笔做错会亏多少。决策输出管理者汇总观点与风险建议交易员给出买入、卖出或持有的具体建议并附理由。这种先辩论、后拍板的机制是智能交易分析里很典型的 LLM 金融应用不靠单一模型一口价回答而是用多个角色模拟一个团队。 拿起来就能用的三件事自选股批量管理把自选股批量拉进分析逐一查看结果并持续跟踪。相关能力由 app/routers/ 下约 37 个 API 端点提供。市场舆情监测用新闻分析模块构建市场热度指数市场情绪冷热一眼可见核心实现在 app/services/news_analyst.py。交易信号自动生成基于多智能体共识产出交易信号可以自选技术指标组合、调整风险参数配置参考 examples/config_management_demo.py。⚡ 又快又稳后台做了什么一个要持续取数、持续分析的服务快靠缓存稳靠并发缓存层级存储介质过期时间放什么数据L1Redis 内存5 分钟实时行情、高频查询L2MongoDB1 小时基本面、分析结果L3文件系统24 小时历史数据、静态配置热数据走 Redis、重数据落 MongoDB、冷数据进磁盘多数请求不必再回头找数据源线程池按 CPU 核数动态调并发日志策略统一由 config/logging.toml 管理。监控看两个入口Web 界面3000 端口和 API8000 端口响应时间、内存、CPU 负载哪里异常一眼能看出来。️ 想改一改自定义智能体三步走想加自己的分析逻辑比如做一个打新专员或板块轮动分析师三步就行实现接口继承 BaseAgent 基类写自己的分析方法from app.core.agents import BaseAgent class CustomAnalyst(BaseAgent): def analyze(self, stock_data): # 在这里写自己的分析逻辑 return self._custom_analysis(stock_data)配置供应商在配置里选择用哪家 LLM 供应商——国际厂商、百炼或 DeepSeek 这类国内厂商还是 AIHubMix 这类聚合平台随时可换。跑测试参照 examples/custom_analysis_demo.py 的完整示例再用 tests/test_data_sources_comprehensive.py 验证数据链路。服务层有约 62 个模块想扩展的功能基本都能找到挂载点。回到开头的场景盯指标、读财报、追新闻这些活以后都可以交给代码里的那支团队。无论你是金融研究者、量化开发者还是想试试 AI 投资研究的爱好者TradingAgents-CN 都值得动手跑一遍往后加密货币等更多市场、第三方智能体插件和本地化模型部署也都排在了路线图上。【免费下载链接】profile-summary-for-githubTool for visualizing GitHub profiles项目地址: https://gitcode.com/gh_mirrors/pr/profile-summary-for-github创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考
TradingAgents-CN 快速指南3分钟跑通多智能体LLM金融分析【免费下载链接】profile-summary-for-githubTool for visualizing GitHub profiles项目地址: https://gitcode.com/gh_mirrors/pr/profile-summary-for-github指标、财报、资金流向、新闻——A股要盯的东西太多一个人根本盯不过来。TradingAgents-CN 是一个中文量化框架它用多智能体 LLM 的方式让 AI 投资研究智能体替你值班拉行情、读财报、盯舆情你只看最终结论。数据源接入 AkShare、Tushare、BaoStock 等都是 A 股常用的数据通道。 它其实是代码里的一个投研团队如果把这个项目当成一家公司里面有四类员工分工和真实投研团队一模一样研究员团队一人唱多列机会和利好催化一人唱空摆风险和利空因素。双方拿出证据来回交锋后形成比较均衡的观点。交易员接过研究结论把它翻译成具体策略——什么时候买、买多少、何时止盈。风险管理团队给组合算风险敞口分别从激进、中立、保守三个口径给建议负责踩刹车。管理者听三方汇报汇总权衡拍板最终决策。这种多智能体协同的好处很实际每一步都有人负责每个结论都能回溯依据你不用猜这条建议是怎么来的。⏱️ 3分钟到30分钟三条上手路径选哪条路看你是什么人路径耗时适合谁你能得到什么绿色版约 3 分钟零基础、只想体验下载即跑不用配置环境Docker 版约 10 分钟团队生产环境使用服务隔离、资源可控支持多架构镜像源码版约 30 分钟打算二次开发完全可控自由加功能、调参数三条路共用一套技术栈后端是 FastAPI Uvicorn 微服务前端是 Vue 3 Vite Element Plus数据存储用 MongoDB Redis。前两条路当天就能把界面跑起来启动后打开 3000 端口的 Web 界面和 8000 端口的 API 即可验证。 一个交易观点是怎么诞生的以分析一只股票为例完整的金融分析流程分四步数据进来系统从实时行情AkShare、Tushare、基本面财务指标、行业数据、新闻舆情资讯、社媒情绪三类源自动取数智能体不用自己抓任何东西。多空辩论研究员团队分饰多头和空头多头列成长点和积极催化空头列下跌风险与坏消息几轮交锋后双方观点收敛。风险把关风险管理团队按激进、中立、保守三个口径评估当前风险暴露告诉管理者这笔做错会亏多少。决策输出管理者汇总观点与风险建议交易员给出买入、卖出或持有的具体建议并附理由。这种先辩论、后拍板的机制是智能交易分析里很典型的 LLM 金融应用不靠单一模型一口价回答而是用多个角色模拟一个团队。 拿起来就能用的三件事自选股批量管理把自选股批量拉进分析逐一查看结果并持续跟踪。相关能力由 app/routers/ 下约 37 个 API 端点提供。市场舆情监测用新闻分析模块构建市场热度指数市场情绪冷热一眼可见核心实现在 app/services/news_analyst.py。交易信号自动生成基于多智能体共识产出交易信号可以自选技术指标组合、调整风险参数配置参考 examples/config_management_demo.py。⚡ 又快又稳后台做了什么一个要持续取数、持续分析的服务快靠缓存稳靠并发缓存层级存储介质过期时间放什么数据L1Redis 内存5 分钟实时行情、高频查询L2MongoDB1 小时基本面、分析结果L3文件系统24 小时历史数据、静态配置热数据走 Redis、重数据落 MongoDB、冷数据进磁盘多数请求不必再回头找数据源线程池按 CPU 核数动态调并发日志策略统一由 config/logging.toml 管理。监控看两个入口Web 界面3000 端口和 API8000 端口响应时间、内存、CPU 负载哪里异常一眼能看出来。️ 想改一改自定义智能体三步走想加自己的分析逻辑比如做一个打新专员或板块轮动分析师三步就行实现接口继承 BaseAgent 基类写自己的分析方法from app.core.agents import BaseAgent class CustomAnalyst(BaseAgent): def analyze(self, stock_data): # 在这里写自己的分析逻辑 return self._custom_analysis(stock_data)配置供应商在配置里选择用哪家 LLM 供应商——国际厂商、百炼或 DeepSeek 这类国内厂商还是 AIHubMix 这类聚合平台随时可换。跑测试参照 examples/custom_analysis_demo.py 的完整示例再用 tests/test_data_sources_comprehensive.py 验证数据链路。服务层有约 62 个模块想扩展的功能基本都能找到挂载点。回到开头的场景盯指标、读财报、追新闻这些活以后都可以交给代码里的那支团队。无论你是金融研究者、量化开发者还是想试试 AI 投资研究的爱好者TradingAgents-CN 都值得动手跑一遍往后加密货币等更多市场、第三方智能体插件和本地化模型部署也都排在了路线图上。【免费下载链接】profile-summary-for-githubTool for visualizing GitHub profiles项目地址: https://gitcode.com/gh_mirrors/pr/profile-summary-for-github创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考
