【方正金工】多智能体投资交易系统TradingAgents部署与应用——AI Agent赋能金融投研应用系列之一

方正曹春晓 2026-06-30 置信度: high

综合质量 3 /5

新颖性 3 /5

可复现性 4 /5

核心内容

本报告详细介绍了多智能体投资交易系统TradingAgents的架构解析、本地部署步骤、Wind数据源接入方法以及针对A股的历史回测测试。TradingAgents由LLM驱动，包含分析师、研究员、交易员和风控团队，通过多轮辩论和综合分析输出交易决策。

经济逻辑

利用大语言模型强大的自然语言处理与推理能力，模拟真实交易公司中分析师（基本面、技术面、情绪、新闻）的分工协作，以及多空研究员的辩论机制，通过多视角的相互验证与质疑，降低单边视角偏差，进而辅助交易员和风控团队做出更平衡的投资决策。

超额收益逻辑

借助多智能体辩论机制与LLM对多维度非结构化/结构化数据的综合理解，克服单一指标或单一视角的局限性。通过识别基本面积极信号与技术面时机，规避不利市场信号与下行风险(如2024年5月底对茅台空仓，8月底看多买入)，从而在震荡市中获得相较买入持有策略的超额收益。

构造细节 [model]

模型架构

基于LLM的多智能体协作架构。包含4个核心团队：1) 分析师团队(基本面/技术面/情绪/新闻分析师Agent各司其职处理数据)；2) 研究员团队(多头/空头研究员Agent进行多轮辩论，平衡市场认知)；3) 交易员Agent(依据综合分析与辩论结果执行交易决策)；4) 风险管理团队(评估波动性、流动性等风险，监控风险敞口并给出最终决策)。

输入

财务报表与业绩指标价格形态与交易量、技术指标(MACD/RSI等)新闻文章、政府公告及宏观经济指标社交媒体信息

输出

最终投资决策建议(买入、持有、卖出)及各Agent的详细分析过程与风险解释。

训练

无需模型训练。系统基于Prompt提示工程，通过调用外部大语言模型API(如DeepSeek V3、OpenAI o4-mini-high等)进行推理与分析。

数据输入

: (低频/财报): (日频): (日频/实时): (日频/实时)

组合方式

多头/空头研究员Agent基于分析师团队输出进行多轮辩论(2轮)评估风险与收益，交易员Agent综合辩论结果与历史数据决策，风控团队监控风险敞口并给出最终建议。

绩效

基准: 买入持有策略

回测期: 2023年12月底以来

对贵州茅台和宁德时代的回测相较于买入持有策略获得一定超额收益；对万华化学规避了2025年上半年下跌但2024年表现较差；对寒武纪-U自2024年以来未发出买入信号。

收益归因

稳健性

子样本稳定性: 稳定性一般，存在显著标的差异。在茅台、宁德时代上体现超额收益，在万华化学上因买入信号少导致2024年表现较差，在寒武纪-U上因估值高自2024年以来未发买入信号。

风格偏差: 对高估值股票偏空，偏向基于基本面与技术指标的价值投资逻辑，对成长股的适应性较弱。

系统整体稳健性受限于大模型推理的随机性与数据源的完备性。在A股缺乏情绪数据支持，且对极端估值标的判断逻辑较为僵化，不同标的回测结果差异大，统计显著性不足。

数据依赖

所需数据: 高质量的财务数据、量价数据、技术指标、新闻文章、政府公告以及社交媒体舆情数据。

可复现性: medium

核心架构已开源(TradingAgents-CN)，本地部署步骤清晰。但需配置Wind等专业数据API与大模型API，且AI大模型回答结果存在不确定性，回测完全复现较难。

新颖性评估 [新应用]

报告本身未提出新算法，而是将前沿的开源多智能体框架在本地部署并引入国内专业金融数据源(Wind)，验证其在A股、港股等市场的应用可行性与效果，属于典型的工程落地与应用探索。

不足与缺陷

大模型存在幻觉且生成结果具有随机性，回测结果难以严格复现
回测未考虑交易成本(手续费、滑点等)，高估了实际收益
A股市场缺乏有效的社交媒体数据接口，情绪分析师Agent模块暂不可用，分析维度缺失
回测样本极小(仅4只股票，不到1年时间)，缺乏统计显著性
对高估值成长股(如寒武纪)未发买入信号，暴露出策略风格固化为价值/基本面驱动的缺陷

可复用元素

多智能体多空辩论的机制设计，有助于减少单边视角的盲区
降级策略的数据源切换逻辑(Wind优先，Akshare备用)，提升了数据获取的鲁棒性
多智能体本地化部署流程及数据源接口修改的工程指南

启发

多视角辩论机制可引入传统量化策略开发中，如多空因子的对立验证
将LLM作为非结构化数据(新闻、财报文本)的处理器，结合传统量化因子，形成混合Alpha

改进方向

量化多因子初筛 + LLM多智能体深度验证的混合架构。先用传统量化多因子模型对全市场股票进行打分初筛，构建估值合理且具备动量的候选股票池，再让TradingAgents多智能体(基本面/新闻/多空辩论)对候选池进行深度文本解析与逻辑验证，生成最终买入信号。

基于: TradingAgents在寒武纪等高估值股票上不发出买入信号，且仅用纯LLM判断易受幻觉影响。传统多因子模型擅长截面排序与估值约束，而LLM擅长非结构化信息解析。预期收益: 通过传统因子对估值和动量进行硬约束，避免LLM对特定风格过度排斥；结合LLM的文本解析优势捕获传统因子难以量化的舆情与事件驱动Alpha，提升整体策略的稳健性与信息比率。

复现计划

1. 拉取TradingAgents-CN开源代码，创建Python 3.11虚拟环境并安装依赖；2. 申请并配置必要的API秘钥(Wind、Akshare、DeepSeek等)写入.env文件；3. 修改data_source_manager.py和interface.py，实现Wind API的优先调用与Akshare降级策略，新建wind_utils.py和wind_adapter.py；4. 运行start_web.py启动Web服务(localhost:8501)；5. 在界面配置大模型(如DeepSeek V3)并选定测试股票(如贵州茅台)；6. 选择历史回测模式，设定为每月末分析，使用市场分析师和基本面分析师Agent，辩论2轮；7. 按照买入/持有/卖出信号进行人工或程序化记录收益，与买入持有基准对比。