hsliuping / TradingAgents-CN

#11

20,2954,280+676 todayPython

基于多智能体大语言模型的中文金融交易框架 - TradingAgents中文增强版

TradingAgents-CN 是一个基于多智能体与大语言模型的中文金融分析学习平台。该项目采用 FastAPI 后端与 Vue 3 前端构建，提供现代化的股票研究与策略实验环境。核心功能包括智能模型选择、多数据源集成（支持A股、港股、美股）、批量股票分析、模拟交易以及专业的报告导出。平台强调合规性与研究用途，不提供实盘交易指令，旨在帮助用户系统化学习AI在金融领域的应用。通过用户权限管理、实时通知和容器化部署等企业级特性，该项目为个人学习者和研究者提供了一个高性能、可扩展的中文本地化分析工具。

💡 应用场景

这是一个面向中文用户，用于合规股票研究、策略验证和AI金融技术学习的多智能体分析平台。

合规股票研究分析

问题：个人投资者或研究员想利用AI进行股票分析，但担心合规风险，且缺乏系统化的分析框架。

方案：使用该项目作为合规的学习研究平台，通过多智能体协作（如市场分析师、基本面分析师）对A股/港股/美股进行系统化分析，生成专业报告。

示例：研究员想分析“贵州茅台”的投资价值，可在平台配置数据源（如Tushare），选择多个AI分析师角色，一键生成包含技术面、基本面、市场情绪的多维度分析报告（支持Markdown/Word/PDF导出）。

验证投资策略效果

问题：量化交易初学者或策略研究者想测试自己的投资逻辑，但搭建回测环境复杂，且难以结合AI进行策略优化。

方案：利用项目的模拟交易系统和多智能体分析能力，在虚拟环境中验证策略，并通过AI分析师提供策略优化建议。

示例：用户有一个基于MACD金叉的策略想法，可先在平台进行模拟交易，同时让“技术分析师”智能体对交易结果进行复盘，指出策略在震荡市中的失效风险，并给出改进建议。

学习AI金融应用

问题：开发者或金融从业者想学习如何将大语言模型应用于金融领域，但缺乏中文友好的实战项目和系统教程。

方案：通过项目提供的“学习中心”（含提示词工程、模型选择、多智能体原理等教程）和完整开源代码，结合实际股票分析任务进行实践学习。

示例：一个Python开发者想了解如何用GPT-4分析财报，可以参照项目中“基本面分析师”的提示词设计，学习如何构造专业查询指令，并利用项目支持的多种LLM供应商（OpenAI、Google AI等）进行对比实验。

快速搭建分析系统

问题：金融机构或技术团队需要内部股票研究工具，但自研周期长，且要支持多数据源、多模型和权限管理。

方案：基于该项目企业级架构（FastAPI+Vue3+MongoDB+Redis），利用其用户权限管理、配置中心、批量分析等功能，快速部署私有化研究平台。

示例：一家私募基金需要为投研团队搭建内部AI分析平台，可基于Docker版一键部署，接入自有的数据源（如Wind），配置团队成员的访问权限，并利用批量分析功能同时处理数十只股票池。

📊 项目信息

语言: Python
Stars: ⭐ 20,295
Forks: 4,280
今日新增: +676
排名: #11
收录: 总榜
趋势日期: 2026年3月23日
最后推送: 2026/2/14

🏷️ 标签

FastAPI Vue3多智能体分析企业级可扩展金融学习者量化研究员

5分钟快速启动 TradingAgents-CN

通过 Docker 快速部署并启动 TradingAgents-CN 平台，体验多智能体股票分析功能。

🖥️ 操作系统

WindowsmacOSLinux

⚙️ 运行环境

Docker>= 20.10

Docker Compose>= 2.0

🔧 工具

Git— 克隆项目代码

📝 操作步骤

克隆项目代码

从 GitHub 获取项目源代码。

克隆仓库到本地

$ git clone https://github.com/hsliuping/TradingAgents-CN.git

进入项目目录

$ cd TradingAgents-CN

✓预期输出：项目目录 `TradingAgents-CN` 被成功创建。

💡如果网络较慢，可以尝试使用镜像源或直接下载 ZIP 包。

配置环境变量

复制环境变量模板文件，为后续启动做准备。

复制环境变量文件

$ cp .env.example .env

✓预期输出：当前目录下生成 `.env` 文件。

💡首次体验可以暂时使用默认配置，无需修改 `.env` 文件。

启动 Docker 服务

使用 Docker Compose 一键启动所有服务（后端、前端、数据库）。

在后台启动所有容器

$ docker-compose up -d

✓预期输出：终端显示正在拉取镜像和启动容器，最终显示容器状态为 `Up`。

💡首次运行需要下载镜像，时间取决于网络速度，请耐心等待。

访问 Web 界面

在浏览器中打开平台前端界面。

✓预期输出：打开浏览器，访问 http://localhost:5173，看到 TradingAgents-CN 的登录/注册界面。

💡如果端口 5173 被占用，请检查 `.env` 文件中的 `VITE_APP_PORT` 配置，并访问对应的端口。

✅ 验证成功

通过以下方式确认平台已成功运行：

✓Docker 容器全部处于运行状态（`docker-compose ps`）。
✓浏览器能正常访问 http://localhost:5173 并看到登录界面。
✓可以使用默认账号（如 admin/admin123）登录系统。

⚡ 快速提示

配置首次启动后，建议先在平台内配置一个可用的 LLM API Key（如 OpenAI 或 DeepSeek），否则无法进行股票分析。

调试使用 `docker-compose logs -f [service_name]` 可以实时查看特定服务（如 app, frontend）的日志，便于调试。

其他项目数据默认存储在 Docker 卷中。彻底删除项目时，记得使用 `docker-compose down -v` 来清理数据卷。

🔍 常见问题排查

❓ 访问 http://localhost:5173 时页面无法打开或连接被拒绝。

→ 1. 检查 Docker 服务是否运行：`docker-compose ps`。 2. 检查前端容器日志：`docker-compose logs frontend`。 3. 确认宿主机防火墙是否放行了对应端口。

❓ 启动容器时提示端口冲突（如 5173 端口已被占用）。

→ 修改项目根目录下 `.env` 文件中的 `VITE_APP_PORT` 变量，将其改为一个未被占用的端口（如 5174），然后重新运行 `docker-compose up -d`。

❓ 登录后无法进行股票分析，提示“模型未配置”或类似错误。

→ 这是正常现象，因为尚未配置 AI 模型。请进入平台的管理后台或设置页面，添加一个可用的 LLM API 密钥（如 OpenAI、Gemini 或 DeepSeek）。

🎯 下一步

配置 AI 模型

在平台设置中添加你的 LLM API Key，以启用智能分析功能。

同步股票数据

按照文档指引，配置并同步 A 股、港股或美股的基础数据，确保分析结果准确。

阅读详细使用指南

访问项目文档或公众号，学习平台的全部功能和使用技巧。

难度

初级到中级

预计时间

1-2天

目标人群

对AI金融应用感兴趣的初学者、量化研究新手、希望学习多智能体系统与LLM应用的学生或开发者。无需深厚的量化交易或编程背景，但需有基本计算机操作能力。

🎯 学完你将掌握

能够独立部署并使用TradingAgents-CN平台，配置AI模型和数据源，对股票进行多智能体分析，生成研究报告，并理解其背后的基本工作原理。

📋 前置知识

Python基础了解(可选)

项目后端基于Python，了解基本语法有助于理解代码和进行可能的配置修改。

Docker基础概念了解

推荐使用Docker部署，了解容器、镜像、Docker Compose等基本概念能帮助顺利完成安装。

股票市场基础知识了解(可选)

了解股票、K线、基本面指标等基本概念，能更好地理解平台的分析报告内容。

大语言模型（LLM）基础概念了解

知道什么是API Key，了解OpenAI、DeepSeek等主流LLM提供商，有助于配置AI分析核心。

📚 学习资源

必看

TradingAgents-CN v1.0.0-preview 使用指南

最核心的使用说明书，包含完整功能操作演示和配置说明。

必看

Docker部署指南 / 绿色版安装指南

根据你选择的部署方式，这是成功安装的必备文档。

🗺️ 学习阶段

环境准备与项目理解

⏱ 1-2小时

阅读项目README与版权声明

仔细阅读GitHub仓库的README文件，重点理解项目定位（学习研究）、核心功能、技术栈（FastAPI+Vue3）以及重要的混合许可证说明（app/和frontend/目录需商业授权）。

💡务必注意项目强调合规性与研究用途，不提供实盘交易指令。

准备部署环境

根据你的操作系统（Windows/macOS/Linux）和偏好，选择一种部署方式。对于绝大多数新手，推荐使用Docker版进行体验。确保系统已安装Docker和Docker Compose。

💡Windows用户可优先考虑“绿色版”，Mac/Linux用户或追求稳定部署的选“Docker版”。

获取必要的API密钥

准备至少一个可用的LLM API Key（如OpenAI、DeepSeek、Google Gemini等）和一个股票数据源的Token（如Tushare、AkShare）。这是平台运行的关键。

💡DeepSeek等国产模型通常有免费额度，适合新手体验。Tushare需要注册获取token。

部署与首次启动

⏱ 1-2小时

按照指南部署项目

根据你选择的部署方式（Docker/绿色版/源码），严格遵循对应的官方安装指南进行操作。例如，Docker版通常涉及克隆仓库、配置环境变量、执行docker-compose up命令。

💡仔细阅读部署文档中的每一步，特别是端口配置和环境变量文件(.env)的修改。遇到问题先查看文档的“常见问题”部分。

验证服务运行

部署完成后，在浏览器中访问提示的地址（如 http://localhost:8501 或指定端口），查看前端界面是否正常加载。检查后端API服务是否正常启动。

💡如果页面无法访问，检查防火墙设置、端口占用情况，并查看Docker容器日志(docker-compose logs)排查错误。

完成初始系统配置

首次登录后（可能需要注册或使用默认账号），进入系统配置中心。在这里添加你准备好的LLM API密钥和股票数据源Token，并测试连接是否成功。

💡先配置一个LLM和一个数据源即可开始体验，后续可随时添加更多。确保网络能访问对应的API服务。

核心功能体验与学习

⏱ 3-4小时

同步股票数据

在数据分析或配置模块中，找到“数据同步”功能。选择A股市场（如上证指数成分股）进行一批股票的基础数据同步。这是进行分析的前提。

💡务必完成此步！README中强调“在分析股票之前，请将股票数据同步完成，否则分析结果将会出现数据错误。”

执行首次股票分析

在股票分析页面，输入一只你熟悉的股票代码（如A股的000001平安银行）。选择要参与分析的“智能体”（如基本面分析师、技术分析师等），点击开始分析。观察多智能体协作的分析过程。

💡首次分析可能较慢，耐心等待。注意观察Web界面提供的实时进度显示。

查看与导出分析报告

分析完成后，查看生成的详细报告。尝试使用报告导出功能，将报告保存为Markdown、Word或PDF格式，了解其内容结构。

💡仔细阅读报告，理解不同智能体（如基本面、技术面、风险分析师）分别提供了哪些维度的见解。

体验模拟交易与自选股

在模拟交易模块，使用虚拟资金创建交易组合，基于刚才的分析报告进行模拟买卖操作。同时，将感兴趣的股票加入自选股列表进行跟踪。

💡这是验证投资策略想法的安全环境，重点关注策略的逻辑而非盈亏结果。

深入探索与问题排查

⏱ 1-2小时

尝试不同模型与配置

在配置中心添加另一个LLM提供商（如从DeepSeek切换到GPT-4），然后重新分析同一只股票，对比不同模型生成报告的差异。

💡这有助于理解“智能模型选择”和不同LLM在金融分析任务上的特点。

学习“学习中心”材料

浏览平台内置或README中提到的“学习中心”内容，如AI基础、多智能体分析原理、风险与局限等，建立理论知识框架。

💡结合实操体验学习理论，理解会更深。部分内容可能是外链，记得阅读。

加入社区与寻求帮助

如果遇到无法解决的问题，或想与其他学习者交流，按照README中的联系方式，加入项目QQ群或关注微信公众号。在GitHub Issues中搜索或提交问题。

💡提问前，先确认是否已阅读相关文档，并准备好错误日志、截图等信息，便于他人帮助你。

⚠️ 常见错误

❌ 未同步数据直接分析

✅ 严格遵循“先同步数据，后进行分析”的步骤。在分析前，务必在系统中完成目标股票的数据同步操作。

❌ API密钥配置错误或网络不通

✅ 在配置中心仔细检查API Key是否正确，并确保你的服务器网络能够访问对应的LLM服务和数据源API（如OpenAI、Tushare）。可使用配置页面的“测试连接”功能。

❌ Docker端口冲突或权限问题

✅ 检查Docker Compose文件中定义的端口（如8501）是否被其他程序占用。在Linux/macOS下运行Docker命令时，如遇权限错误，可尝试使用sudo或配置用户组。

❌ 忽略许可证限制进行商业用途

✅ 清晰理解项目的混合许可证：app/和frontend/目录为专有部分，个人学习研究完全免费，但任何商业使用必须联系作者获取授权。避免侵权风险。

❌ 将模拟分析结果当作投资建议

✅ 时刻牢记项目定位是“学习与研究平台”，AI生成的分析报告存在不确定性，绝不能直接作为实盘交易依据。始终保持批判性思维。

🚀 后续方向

1. 源码学习：如果你有Python/Vue开发基础，可以尝试“本地代码版”部署，阅读并理解后端智能体协作逻辑与前端的交互设计。2. 对比研究：对比原版TradingAgents项目，理解中文增强版做了哪些本地化改进和功能新增。3. 参与贡献：从修复文档错别字、提交易用性改进建议开始，逐步参与社区贡献。4. 拓展应用：基于对多智能体框架的理解，思考其是否可以应用于其他领域（如行业研究、舆情分析）。5. 关注v2.0：关注官方渠道，等待功能更强大的v2.0版本发布信息。