AI做交易，一直都是一个很受关注的内容。
但是影响市场的因素太多了，所以交易就很难。
AI做交易，也一样很难。
很难想象一个能赚钱的AI交易产品出现会是什么样，会不会大家都有了，所以大家又不赚钱了。
今天给大家推荐的这个开源项目爆火，这几天涨了几千星，有模拟真实交易公司人员分工的Agent。
扫码加入AI交流群
获得更多技术支持和交流
（请注明自己的职业）
项目简介
TradingAgents 是基于 LLM 的多智能体金融交易框架，模拟真实交易公司架构，具备七大专业角色：基本面 / 情绪 / 新闻 / 技术分析师、研究员、交易员、风险经理。
各角色通过结构化文档与自然语言对话协作，分析师团队收集多源数据，研究员以多轮辩论输出观点，交易员综合决策，风险团队监控暴露度。
采用 ReAct 框架实现推理与行动协同，结合快速 / 深度思考 LLM 优化效率，在累积回报、夏普比率等指标上显著优于传统基线模型。
人员分工
基本面分析师：分析财务报表、 earnings reports 等数据，评估公司内在价值，识别低估或高估股票，提供长期投资洞察。
情绪分析师：处理社交媒体 posts、 sentiment scores 等，衡量市场情绪，预测短期投资者行为对股价的影响。
新闻分析师：分析新闻、政府公告等宏观经济指标，评估宏观经济状态和重大事件，识别影响市场变动的新闻事件。
技术分析师：计算 MACD、RSI 等技术指标，分析价格模式和交易量，预测未来价格走势，辅助确定交易时机。
研究员：包括看涨和看跌研究员，对分析师提供的信息进行辩论，评估投资的风险与收益，形成平衡的市场理解。
交易员：基于分析师和研究员的分析，评估信息并考虑风险，决定交易时机和规模，执行买卖订单，调整投资组合。
风险经理：监控投资组合的风险状况，评估市场波动、流动性等风险，实施风险缓解策略，确保交易活动在风险参数内。
DEMO
功能特点
角色专业化：包含基本面分析师、情绪分析师、新闻分析师、技术分析师、研究员、交易员、风险经理七大角色，各角色有明确目标、技能及工具。
协作流程化：分析师团队收集多源数据，研究员团队以多轮辩论输出观点，交易员综合决策，风险团队监控风险，形成完整工作流。
通信结构化：以结构化文档（如分析报告、决策信号）为主，自然语言对话（如辩论、讨论）为辅，减少信息失真。
模型分层化：采用快速思考模型（如 gpt-4o-mini）处理数据检索，深度思考模型（如 o1-preview）支撑分析决策，兼顾效率与推理深度。
性能优势显著：在累积回报、夏普比率、最大回撤等指标上优于 Buy and Hold、MACD 等传统基线策略。
项目链接
https://github.com/TauricResearch/TradingAgents
关注「开源AI项目落地」公众号
（文：开源AI项目落地）