新闻详情

新闻详情

首页 / 资讯中心 / 详情

如何用 TradingAgents-CN 做多智能体 A 股分析:完整上手教程

发布时间:2026/11/17 8:44:52来源:尧图网络
如何用 TradingAgents-CN 做多智能体 A 股分析:完整上手教程
如何用 TradingAgents-CN 做多智能体 A 股分析完整上手教程【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想看懂一只股票行情、新闻、财报、情绪分散在好几个地方数据从哪找、怎么交叉验证一头雾水。TradingAgents-CN是一个基于多智能体的中文金融分析平台几个 AI 分析师分头查行情、新闻、情绪和财务最后给你一份能读得懂的分析。 它在解决什么问题大多数问大模型看股票的做法是单一视角一次提问出一个答案。TradingAgents-CN 把这件事拆成团队协作四类分析师分管市场、新闻、社媒情绪、基本面再由多空两方研究员互相辩一轮才轮到交易员和风控给结论从机制上减少模型只看到一面的偏差。它同时做了中文本地化内置 Tushare、AKShare、BaoStock 等数据源支持 A 股、港股、美股界面和文档都是中文。定位说清楚这是学习与研究平台不出实盘交易指令。 先看它怎么运转整条流水线分四层每层解决一件事分析师层市场分析师看技术指标和趋势新闻分析师过滤财经新闻社交媒体分析师盯投资者情绪基本面分析师读财务报表——四个数据维度在这里分工研究员层多头、空头两名研究员各自摆证据正反辩论逼着模型把看空理由也讲出来交易员层把辩论结果合成一份交易提案风控层激进、中性、保守三级策略决定最终决策对风险的容忍度图里左边四路数据进来中间研究员辩论右边交易员提案、风控团队拍板从上到下读一遍就能对上流程。多空辩论这一步是这个框架最有意思的地方单问一个 LLM 很难让它主动反驳自己。 十分钟跑起来Docker 是主路径三条命令git clone https://gitcode.com/GitHub_Trending/tr/TradingAgents-CN cd TradingAgents-CN docker-compose up -d后端、前端、MongoDB、Redis 会一起拉起浏览器打开http://localhost:3000即可。想自己改代码的话本地装完requirements.txt再跑python main.py也行细节在 docs/ 里有不展开。跑起来后先做两件事在配置页填大模型的 API 密钥先同步股票数据再开始分析后面会说为什么。️ 拿它干点实际的事分析单只 A 股。操作分析页选A股市场填股票代码比如 000858勾选要用的分析师研究深度拖到 3 级。你会看到进度条走完结果页直接给出买卖建议、置信度、风险评分、目标价外加一段 AI 推理说明结论是怎么来的。组合批量分析。操作自选股里加多只股票用批量分析功能并行跑。你会看到每只股票各出一份报告横向对比后能看清组合里各持仓的风险收益特点分散有没有分散到位。行业研究。操作把同一行业的几家公司加进批量分析再配合智能筛选按指标过滤。你会看到几份报告放在一起能对比基本面和新闻面差异再按指标排序被低估的公司更容易浮出来。⚙️ 想调得更顺手三个地方值得动都不用写代码数据源优先级A 股默认走 Tushare 主链路AKShare 多级兜底。想调整顺序或权重在数据源管理页改就行各数据源的实现在 tradingagents/dataflows/ 目录模型选择中文金融文本选国产模型DeepSeek、智谱、通义等通常更稳国际标的可用 OpenAI、Google 系聚合渠道则方便多模型切换。模型风格直接决定报告质量值得换一两个对比性能研究深度 1 级快扫、5 级全量日常先用低级别缓存默认开着避免同一数据反复拉取并发分析别一次堆太多任务⚠️ 容易踩的坑分析跑完很快但结论不对劲多半是没做股票数据同步分析师拿到的还是空数据或旧数据。处理先完成数据同步再跑分析数据获取失败或频繁限流外部数据源有访问限制或 API 密钥没配好。处理在配置页确认密钥有效临时切到备用数据源继续分析慢得离谱深度拉太高或选的模型响应慢。处理先降到 1~2 级跑通流程再换更快的模型提级同一只股票两次结论不一样大模型本身有随机性行情数据也在变。处理别把单次结果当定论多跑几次看结论分布收尾多说一句合规项目仅面向学习与研究分析结果不构成投资建议实盘决策要自己负责。整体体验下来它像一个把多智能体分工讲得很透的中文实践环境跑通一只股票再回头看架构图每层在干什么就清楚了。git clone https://gitcode.com/GitHub_Trending/tr/TradingAgents-CN cd TradingAgents-CN docker-compose up -d【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
网站建设高端定制企业官网
RELATED

相关资讯

更多精彩内容,欢迎继续阅读

较早相关资讯

最新相关资讯

【外设】之大彩串口显示屏 2026/11/17 7:04:08

【外设】之大彩串口显示屏

大彩串口屏初步使用 1 .官网下载 STM32 屏幕 GUI 设计资料 http://www.gz-dc.com/category/typeid/4112 找到 STM32 Keil 工程,移植相关代码因项目而异进行移植,由于项目简单,本人只对用到的指令接口进行修改。 比如:注意事项&…

阅读更多 →
无法下载Windows系统iso文件 2026/11/17 5:42:44

无法下载Windows系统iso文件

当我遇到这个问题的时候,我打开了一个网站: 登录 然后我打算下载的时候: 突然那个官方的连接就可以下载了:

阅读更多 →
【清华代码熊】DeepSeek V4.1 Flash 后训练详解 2026/11/16 19:23:38

【清华代码熊】DeepSeek V4.1 Flash 后训练详解

📌 上期解析了 DeepSeek V4.1 Flash 模型架构改进,本期解析 DeepSeek V4.1 Flash 预训练/后训练技术: 🌟 预训练:45T 文本 多模态混合语料、直接训练 sparse attention(取消 DeepSeek V4 的 dense 冷启动&…

阅读更多 →
Shuffle-R1: Efficient RL framework for Multimodal Large Language Models via Data-centric Dynamic ... 2026/11/17 6:55:04

Shuffle-R1: Efficient RL framework for Multimodal Large Language Models via Data-centric Dynamic ...

文章主要内容和创新点 主要内容 本文聚焦于多模态大语言模型(MLLM)强化学习(RL)训练中的效率问题,提出了一个名为Shuffle-R1的框架。研究发现,当前RL训练存在两个关键缺陷: 优势值坍缩(Advantage Collapsing):批次中大多数优势值集中在零附近,导致有效梯度信号被淹…

阅读更多 →
PRvL: Quantifying the Capabilities and Risks of Large Language Models for PII Redaction 2026/11/17 5:57:47

PRvL: Quantifying the Capabilities and Risks of Large Language Models for PII Redaction

一、文章主要内容总结 本文聚焦于利用大型语言模型(LLMs)实现个人身份信息(PII)脱敏的研究,旨在解决传统脱敏方法(如基于规则的系统、领域特定命名实体识别(NER)模型)泛化能力差、跨格式/跨语境适应性弱的问题。 研究通过全面评估多种LLM架构(包括密集型LLM(D-LLM…

阅读更多 →
LLaVA-RE: Binary Image-Text Relevancy Evaluation with Multimodal Large Language Model 2026/11/16 17:28:18

LLaVA-RE: Binary Image-Text Relevancy Evaluation with Multimodal Large Language Model

文章主要内容和创新点 主要内容 本文聚焦于二进制图像-文本相关性评估任务(判断图像与文本“相关”或“不相关”),针对该任务中文本格式多样、相关性定义随场景变化等挑战,提出了基于多模态大语言模型(MLLM)的解决方案LLaVA-RE。 模型设计:LLaVA-RE基于LLaVA 1.5架构,…

阅读更多 →

今日资讯

本周资讯

本月资讯

看完文章仍有疑问?

联系尧图顾问,获取一对一建站咨询

立即免费咨询 📞 400-888-8888
📞 ✉