TradingAgents-CN 多智能体股票分析系统完整指南零基础 30 分钟跑通首个分析任务【免费下载链接】TradingAgents-CN基于多智能体LLM的中文金融交易框架 - TradingAgents中文增强版项目地址: https://gitcode.com/GitHub_Trending/tr/TradingAgents-CN晚上十点你刚下班回到家打开炒股软件屏幕上弹出一千多条新闻股票列表里躺着几十只你连主营业务都说不清的票。你翻了三分钟行情发现指标太多、财报太长、消息太杂最后默默关掉了软件——这就是大多数散户每天的真实处境不是不想研究是研究不过来。TradingAgents-CN 多智能体股票分析系统想解决的就是这件事它把看新闻、翻财报、画K线、算风险这些活交给一支能 7x24 小时轮流值班的 AI 团队去干你只需要在最后看它交上来的报告。但请注意一个前提这套系统定位是学习与研究平台不提供实盘交易指令。它帮你把分析过程跑起来、把逻辑看明白至于买卖决定权始终在你手上。一句话说清你等于请了一支四人的虚拟投研团队TradingAgents-CN 就是一个多智能体协作的中文金融分析框架它模拟真实交易公司的运作方式用多个 AI 智能体分别扮演分析师、研究员、交易员和风控专家像一支小型投研团队那样分工协作最后给你一份完整的股票研究报告。打个比方你就懂了。传统算法交易像单兵作战一个模型对着数据硬算。而这个项目像开了一家迷你投研公司有人负责侦查情报有人负责正反辩论有人负责写执行方案还有人专门踩刹车。四个人开会讨论出来的结论总比一个人拍脑袋靠谱。图系统完整流程示意——从收集数据、多角色分析到研究员辩论、交易员出方案、风控把关最后产出报告它对你最大的意义是把机构级的研究流程压缩到一台普通电脑上。你不需要懂量化编程不需要买昂贵的金融终端只要会填表单、点按钮就能让这套流程替你转起来。新手首秀从零到一跑通第一份股票分析报告别急着研究所有功能。我们先把第一份报告跑出来全程大约 30 分钟你只需要照做四步。第一步用 Docker 一键拉起整套环境约 10 分钟这是最省心的方式不用手动装 Python、MongoDB 那些依赖。确保电脑装了 Docker 之后打开终端执行git clone https://gitcode.com/GitHub_Trending/tr/TradingAgents-CN cd TradingAgents-CN docker-compose up -d等容器启动完毕浏览器访问本机地址就能看到系统界面。系统支持 x86_64 和 ARM64 两种架构苹果芯片、树莓派都能跑。第二步填入一个 API Key约 5 分钟系统需要调用大模型做分析所以你得先给自己雇一个 AI 大脑。在项目根目录复制一份环境配置模板cp .env.example .env然后编辑.env填上至少一个模型服务商的密钥。几个常见选项DeepSeek性价比高约 1 元/万 token 级别新用户通常有免费额度通义千问阿里百炼国产稳定按量计费OpenAI能力全面按美元计费只填一个就能跑起来。这一步是新手最容易卡住的地方密钥填错或没填后面分析会直接报错。第三步先同步一次股票数据约 5 分钟这是很多人忽略、却非常重要的一步分析之前先把目标股票的数据同步好否则分析结果会出现数据错误。数据源可以选免费方案比如 AkShare 提供 A 股基础数据想要更全的财务数据可以注册 Tushare 拿到 token 填进去。第四步输入代码点开始分析在分析页面输入股票代码比如 A 股000001平安银行、港股0700.HK、美股AAPL研究深度先选1 级快速测试勾上分析师点击开始。几分钟后你就能看到四位员工的完整工作过程谁在分析财报、谁在查看新闻、谁在写辩论稿全部实时显示。分析完还能把报告导出成 Markdown、Word 或 PDF 存档。图命令行模式下系统逐步展示数据获取、多角色分析到最终交易建议的完整链路能力拆解这四位员工到底帮你解决什么下面按帮你解决什么 一个使用场景 适合谁的方式逐个认识这套系统的核心模块。分析师团队你的市场侦察兵分析师不是一个人而是一个小组从四个维度同时开火基本面分析师翻财报、算估值回答这家公司值不值这个价技术分析师看趋势、读指标回答现在这个位置进还是不进新闻分析师抓取并过滤财经新闻回答最近发生了什么大事情绪分析师分析市场情绪倾向回答大家现在慌不慌使用场景你自选股里有 20 只票以前每周手动翻一遍财报现在让分析师团队帮你并行扫你只看结论。适合谁没时间盯盘、但想保持覆盖面的上班族。图分析师智能体从市场、情绪、新闻、财务四个维度并行采集信息并汇总报告研究员团队你的正反辩论专家这一环很有特色——系统会让研究员对同一只股票打擂台一个研究员全力找看多理由另一个全力挑看空毛病双方摆数据、讲逻辑最后再综合。使用场景你准备重仓某只票之前先用辩论机制自己反驳自己一遍看看有没有漏掉的风险点。适合谁容易上头、喜欢追热点、需要有人泼冷水的投资者。图研究员对同一只股票生成看多与看空两份报告通过交锋提高决策质量交易员你的方案起草人辩论完总得有结论。交易员负责把前面所有人的分析汇总成一份可执行的方案给出目标价位、置信度评估和风险评分告诉你什么价位可以考虑、什么情况该警惕。使用场景你想把分析落地成买入/观望/回避的具体判断而不是听一堆模棱两可的形容词。适合谁需要明确结论和操作边界的人。图交易员基于各角色分析输出目标价位、置信度与风险评分构成的投资建议风控专家你的安全守护者最后一道闸门。风控会按保守、平衡、激进三档给出不同的风险偏好建议同时设置硬性约束比如单票最大仓位、最大亏损阈值等。使用场景你拿不准该下多重的手让风控按你的风险承受能力给一个边界。适合谁所有用户——特别是刚开始尝试、纪律性还不强的新手。图风控智能体针对保守、平衡、激进三种偏好给出差异化的仓位与风控方案中文增强版额外送的福利除了上面这套核心流程这个中文增强版还叠了不少实用功能A 股数据完整支持用 Tushare、AkShare、BaoStock 等数据源覆盖港股、美股多模型自由切换支持多家 LLM 提供商、60 模型DeepSeek、通义千问等国产模型开箱即用批量分析多只股票同时排队分析适合周末批量过一遍自选股自选股与智能筛选把票收进自选分组按多维度指标排序筛一遍模拟交易系统用虚拟资金验证策略不用真金白银试错实时进度显示分析到哪一步了、谁在干活一目了然避坑指南新手最容易踩的五个坑坑一API Key 没配好就点分析这是报错率最高的一环。检查三点密钥是否填进了.env、服务商是否选对、账户里有没有余额。可以先用一条最简单的分析验证连通性。坑二跳过数据同步直接分析项目文档反复强调分析前要把股票数据同步完成。数据没同步报告里的指标就是空的或错的你会以为是系统坏了其实是数据没喂进去。坑三股票代码格式写错000001是 A 股、0700.HK是港股、AAPL是美股别混着写。不确定时可以先用文档里给的三个示例代码各试一次。坑四研究深度一上来就拉满深度越高调用的模型次数越多、耗时越长、花费越高。新手首秀请用1 级快速模式跑通流程确认没问题再逐步加深。坑五以为它能替你直接交易再说一遍这个框架只做分析与研究不接实盘下单。它是你的分析外脑不是自动提款机。进阶方向从看懂一份报告到搭自己的投研流水线跑通第一份报告之后你可以按自己的需求往这几个方向走做批量筛选把全市场扫一遍用多维度指标先筛出候选池再让 AI 团队深挖——适合选股靠纪律的人玩转模拟交易在虚拟环境里测试不同的分析深度、模型组合和策略看哪种配置的纸上收益更稳再决定要不要继续自定义数据源与模型想用更全的 Tushare 财务数据或者接入其他模型服务商配置中心里都能调文档的docs/llm/目录还有新服务商接入指南看透分析过程本身这个项目最大的隐藏价值是学习——四位智能体怎么提问、怎么辩论、怎么下结论完整过程都展示给你看。对想搞懂AI 怎么做金融分析的人来说这比任何教程都直观延伸阅读线索快速上手指南在docs/QUICK_START.md各角色设计文档在docs/agents/v0.1.13/使用手册在docs/guides/v1.0.1-user-manual.md遇到问题可以翻docs/faq/和docs/troubleshooting/。行动清单从今晚开始一步步做确认电脑有 Docker没有就先装一个8GB 内存、20GB 硬盘通常够用克隆仓库git clone https://gitcode.com/GitHub_Trending/tr/TradingAgents-CN启动服务docker-compose up -d等页面能打开配置密钥复制.env.example为.env填一个模型 API Key同步数据选一个免费数据源把000001的数据同步好跑首秀分析研究深度选 1 级点开始看完整流程导出第一份报告存成 PDF 或 Word认真读一遍四位员工各写了什么想深入就加深度提高研究等级、换模型、开批量分析逐步搭建自己的分析流程最后必须把丑话说在前面本系统仅用于研究和教育目的不构成任何投资建议。AI 模型的预测存在不确定性交易表现受模型选择、数据质量等多种因素影响。任何投资决策请务必独立思考、自行评估风险必要时咨询专业财务顾问。投资有风险决策需谨慎。把 TradingAgents-CN 当成你的分析训练场和决策参考书它能帮你把研究工作做得更快、更全、更系统——但按哪个按钮、买不买、买多少永远是你自己的事。这恰恰是这个项目最健康的使用方式。【免费下载链接】TradingAgents-CN基于多智能体LLM的中文金融交易框架 - TradingAgents中文增强版项目地址: https://gitcode.com/GitHub_Trending/tr/TradingAgents-CN创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考