TradingAgents-Astock

基于 TauricResearch/TradingAgents（65K ⭐）的 A 股深度特化 fork
全 Apache 2.0 开源 · pip install 即跑 · 零外部服务依赖

⚠️ 本项目是 TradingAgents 论文框架的工程实现与研究复现，面向研究与教学。
不构成任何投资建议，也不提供任何投资服务。

目录

• 为什么做这个 Fork
• 与上游对比
• 架构概览
• 7 个 Analyst 角色
• 数据源
• 快速开始
• Web UI
• 配置说明
• 项目结构
• 项目定位
• 致谢
• Donate
• 许可证

为什么做这个 Fork

原版 TradingAgents 是一个出色的多 Agent 投研框架，但它针对美股设计：数据走 Yahoo Finance / Alpha Vantage，分析师不懂 A 股制度，辩论和决策完全面向美股市场。

本 Fork 的目标：把 TradingAgents 的多 Agent 辩论架构真正落地到 A 股，不是简单翻译，而是从数据层、Agent 角色、交易规则三个维度做深度特化。

核心改造

与上游对比

架构概览

┌─────────────────────────────────────────────────────────┐
│                    7 Analyst 研报生成                      │
│  Market → Social → News → Fundamentals                   │
│  → Policy → Hot Money → Lockup                           │
│         （每个 Analyst 带工具循环）                          │
├─────────────────────────────────────────────────────────┤
│               Bull vs Bear 投研辩论                       │
│         Bull Researcher ←→ Bear Researcher               │
│               （最多 N 轮辩论）                             │
├─────────────────────────────────────────────────────────┤
│              Research Manager 综合研判                     │
│         （深度思考 LLM，输出投资计划）                       │
├─────────────────────────────────────────────────────────┤
│                  Trader 交易方案                          │
│         （A 股约束：T+1/涨跌停/手数）                       │
├─────────────────────────────────────────────────────────┤
│        Aggressive ←→ Conservative ←→ Neutral             │
│               三方风险辩论                                 │
├─────────────────────────────────────────────────────────┤
│            Portfolio Manager 最终决策                      │
│     （深度思考 LLM，输出评级 + 理由）                       │
└─────────────────────────────────────────────────────────┘

双 LLM 设计：

• quick_think_llm：所有 Analyst、Researcher、Trader、Risk Debater
• deep_think_llm：Research Manager 和 Portfolio Manager（需要综合全局信息做决策）

7 个 Analyst 角色

原版 4 角色（A 股适配）

A 股特化 3 角色（新增）

所有 7 个 Analyst 的报告会流入后续的 Bull/Bear 辩论和三方风险辩论，确保 A 股特色因素贯穿整条决策链。

数据源

全部免费，无需 API Key，无积分墙：

完全不依赖 Tushare（积分墙）、Alpha Vantage（海外 API）、Yahoo Finance（不支持 A 股）。

数据源优先级 & 东财防封（v0.2.11）：行情 / K线 / 市值 / 财务能从 mootdx（通达信 TCP，不封 IP）或腾讯拿到的，一律走它们；东财只用于它独有的数据（龙虎榜 / 解禁 / 资金流 / 板块 / 个股新闻等）。所有东财请求统一走内置节流入口 _em_get()：串行限流（默认间隔 ≥1s + 0.1~0.5s 随机抖动）+ 复用 Keep-Alive 会话，多 Agent 跑批量分析不再触发临时封 IP（东财风控实测：每秒 >5 / 并发 ≥10 / 1 分钟 ≥200 触发封禁）。批量场景可设环境变量 EM_MIN_INTERVAL=1.5~2 进一步降速。仅东财限流，mootdx / 腾讯 / 新浪 / 同花顺 / 财联社 / 百度 不受影响。

快速开始

1. 环境准备

# Python >= 3.10
git clone https://github.com/simonlin1212/tradingagents-astock.git
cd tradingagents-astock
pip install -e .

# 如需使用 Google Gemini 模型（可选）：
pip install -e ".[google]"

装完即可用，无需 Docker。 安装后直接跑 streamlit run web/app.py（Web UI）或 tradingagents（CLI）即可，详见下方「Web UI」「CLI 方式」两节。Docker 仅是可选的部署方式，本地开发不需要。

2. 配置 LLM

必须使用 API Key，不能用 Claude/ChatGPT 订阅版。每次分析需 30-50 次 LLM 调用，只有 API 模式支持。

在项目根目录创建 .env 文件，按你选择的供应商配置：

# ── 方案 A：MiniMax（推荐，国内直连，性价比高）──────────
MINIMAX_API_KEY=sk-xxx
# 申请地址：https://platform.minimaxi.com/

# ── 方案 B：DeepSeek ─────────────────────────────────
DEEPSEEK_API_KEY=sk-xxx
# 申请地址：https://platform.deepseek.com/

# ── 方案 C：智谱 GLM ─────────────────────────────────
ZHIPU_API_KEY=xxx
# 申请地址：https://open.bigmodel.cn/

# ── 方案 D：通义千问 Qwen ────────────────────────────
DASHSCOPE_API_KEY=sk-xxx
# 申请地址：https://dashscope.console.aliyun.com/

# ── 方案 E：OpenAI ───────────────────────────────────
OPENAI_API_KEY=sk-xxx

# ── 方案 F：Anthropic ────────────────────────────────
ANTHROPIC_API_KEY=sk-ant-xxx

# ── 方案 G：Kimi（Anthropic 兼容 API）────────────────
ANTHROPIC_AUTH_TOKEN=your-kimi-token

# ── 方案 H：任意 OpenAI 兼容网关（9Router / AI Router / 自建代理）──
OPENAI_COMPATIBLE_API_KEY=sk-xxx     # 也接受 OPENAI_API_KEY
BACKEND_URL=https://your-relay.example/v1   # 你的网关地址（也可在 Web 侧栏「API Base URL」填）

3. 运行分析

根据你选择的供应商修改 config：

from tradingagents.graph.trading_graph import TradingAgentsGraph

# ── MiniMax 示例（推荐）─────────────────────────────
config = {
    "llm_provider": "minimax",
    "deep_think_llm": "MiniMax-M2.7",
    "quick_think_llm": "MiniMax-M2.7-highspeed",
    "output_language": "Chinese",
}

# ── DeepSeek 示例 ───────────────────────────────────
# config = {
#     "llm_provider": "deepseek",
#     "deep_think_llm": "deepseek-chat",
#     "quick_think_llm": "deepseek-chat",
#     "output_language": "Chinese",
# }

# ── Anthropic + Kimi 示例 ───────────────────────────
# config = {
#     "llm_provider": "anthropic",
#     "deep_think_llm": "claude-sonnet-4-6",
#     "quick_think_llm": "claude-sonnet-4-6",
#     "backend_url": "https://api.kimi.com/coding/",
#     "output_language": "Chinese",
# }

ta = TradingAgentsGraph(debug=True, config=config)
final_state, decision = ta.propagate("688017", "2026-05-12")
print(decision)

4. CLI 方式

tradingagents            # 交互式 CLI
tradingagents --help     # 查看所有选项

Web UI

内置 Streamlit 可视化界面，支持在侧边栏选择 LLM 供应商和模型，输入股票代码即可一键分析，适合不写代码的用户。

启动

# 方式一：命令行启动（推荐）
tradingagents-web

# 方式二：直接运行
streamlit run web/app.py

打开浏览器访问 http://localhost:8501。

功能

• 模型自选：侧边栏支持 10 个 LLM 供应商切换（MiniMax/DeepSeek/Qwen/GLM/OpenAI/Anthropic/Google/xAI/OpenRouter/Ollama），外加 「OpenAI 兼容（自定义 base_url）」 一档可接任意 OpenAI 兼容网关（9Router / AI Router / 自建代理）
• 一键分析：输入 6 位 A 股代码 + 分析日期 +「数据起始日期」（默认本月第一天，可自定义技术分析回溯区间，支持按月/自定义时段分析），点击「开始分析」
• 实时进度：12 阶段 pipeline 实时显示（7 分析师 → 质量门控 → 辩论 → 风控 → 决策），所有已完成阶段的报告均可展开查看
• 完整报告：信号卡片（Buy/Hold/Sell）、7 份分析师报告、多空辩论、风控评估
• 报告导出：一键下载 Markdown（零依赖，永远可用）或 PDF 完整分析报告（PDF 自动适配 Windows/macOS/Linux 中文字体）
• 历史记录：自动保存并展示所有历史分析

截图

配置说明

所有配置通过 config 字典传入，完整选项：

常见问题排错

Q: 用 DeepSeek/通义/智谱，却报 OpenAIError: The api_key client option must be set ... OPENAI_API_KEY？ 每个供应商用各自的环境变量，不是 OPENAI_API_KEY：DeepSeek=DEEPSEEK_API_KEY、通义=DASHSCOPE_API_KEY、智谱=ZHIPU_API_KEY、MiniMax=MINIMAX_API_KEY、xAI=XAI_API_KEY、OpenRouter=OPENROUTER_API_KEY、OpenAI 兼容（自定义）=OPENAI_COMPATIBLE_API_KEY。在项目根目录 .env 里设置对应变量后重启程序。（v0.2.12 起缺 key 会直接提示该用哪个变量名。）

Q: 想接一个 OpenAI 兼容的第三方网关/中继（9Router、AI Router、自建代理），自定义 base_url + model？ 用 「OpenAI 兼容（自定义 base_url）」 这一档（v0.2.20 新增）。Web 侧栏「LLM 供应商」选它 →「快速/深度思考模型 ID」手动填你网关支持的 model 名 →「API Base URL」填你的网关地址（如 https://your-relay.example/v1）→ .env 里设 OPENAI_COMPATIBLE_API_KEY=你的key（也接受 OPENAI_API_KEY）。CLI 方式选 OpenAI-Compatible 后会提示输入 Base URL。它走标准 Chat Completions（非 OpenAI Responses API，兼容性最好），model 名自由填、不受内置清单限制。配置方式等价：llm_provider="openai_compatible" + backend_url="<你的网关>" + deep_think_llm/quick_think_llm="<你的model>"。

Q: 导出 PDF 报 UnicodeEncodeError: 'latin-1' codec can't encode？ 你的环境里装了旧版 fpdf（pyfpdf），它和本项目用的 fpdf2 都以 fpdf 名称导入、互相冲突。执行：pip uninstall -y fpdf && pip install "fpdf2>=2.8.6"。实在不行可改用「下载 Markdown」导出（零依赖，永远可用）。

Q: Docker 里导出 PDF 报「未找到中文字体」？ v0.2.12 起 Dockerfile 已内置 fonts-noto-cjk，重新 docker build 即可。旧镜像可临时 apt install fonts-noto-cjk，或改用 Markdown 导出。

Q: Docker 启动报 [Errno 13] Permission denied: /home/appuser/.tradingagents/cache？ 旧版镜像里没预建数据目录，docker-compose 的命名卷挂上来时被 Docker 建成 root 属主，而容器内进程以 appuser 运行、写不进去。v0.2.14 起 Dockerfile 已预建 /home/appuser/.tradingagents（cache/logs/memory）并归属 appuser，命名卷会继承该属主。升级方式：git pull 后 docker compose build --no-cache 重建镜像；若想保留旧数据卷可先 docker run --rm -v tradingagents_data:/d alpine chown -R 1000:1000 /d 修正属主，否则 docker volume rm tradingagents_data 后重建即可。

Q: 部分分析师报告（情绪/新闻/基本面/政策/游资/解禁）空白不显示？ 这些报告由对应 Analyst 调用数据工具后生成，空报告会被自动跳过不显示。数据源本身是健康的（腾讯/mootdx/同花顺/东财实测出数）；报告为空通常是所选模型 tool-call 能力弱（如部分 deepseek/minimax 轻量模型不稳定地调用工具）。建议换用 tool-call 更稳的模型（deepseek-chat / 通义 / GLM-4 / Claude / GPT 等），或重试。

Q: 装 [google]（Gemini）后 pip 报 httpx 冲突：mootdx 要 httpx<0.26、google-genai 要 httpx>=0.28？ 先澄清：litellm / mcp 不是本项目的依赖——报错里若提到它们，是你环境里其它包带来的，与 TradingAgents 无关。本项目核心安装（pip install -e .）不依赖 httpx≥0.28，默认不冲突；冲突只在装 [google] 用 Gemini 时出现（mootdx 与 google-genai 的 httpx 上下限互斥）。解法：① mootdx 取行情走 TCP 协议、运行时根本不调用 httpx，可让 httpx 升到满足 google-genai 的版本，pip 那条 incompatible 只是警告、不影响 mootdx 运行（实测 mootdx 0.11.7 在 httpx 0.28.1 下取数正常）；② 或把跑 Gemini 的环境与 mootdx 数据层分到不同 venv；③ 最省心是用 MiniMax / DeepSeek / 通义等国内直连模型，不装 [google] 就没这问题。

Q: 不进 CLI 交互，怎么批量跑多只标的、拿到和 CLI 一样的完整报告？ 看 examples/run_cases.py：它复用 CLI 的 save_report_to_disk()，每只标的输出与 CLI 一致的 complete_report.md（分析师 / 研究 / 交易 / 风险 / 组合五个分区）+ 一份字段齐全的 summary.json。用法：uv run python examples/run_cases.py（跑全部）或 uv run python examples/run_cases.py 688017（单只）；改 build_config() 切换 provider/model。

项目结构

TradingAgents-Astock/
├── tradingagents/
│   ├── agents/
│   │   ├── analysts/          # 7 个分析师
│   │   │   ├── market_analyst.py
│   │   │   ├── social_media_analyst.py
│   │   │   ├── news_analyst.py
│   │   │   ├── fundamentals_analyst.py
│   │   │   ├── policy_analyst.py        # A 股特化
│   │   │   ├── hot_money_tracker.py     # A 股特化
│   │   │   └── lockup_watcher.py        # A 股特化
│   │   ├── researchers/       # Bull / Bear 研究员
│   │   ├── risk_mgmt/         # 激进 / 保守 / 中立 辩手
│   │   ├── managers/          # Research Manager + Portfolio Manager
│   │   ├── trader/            # Trader（A 股交易约束）
│   │   └── utils/             # 状态定义、工具函数
│   ├── dataflows/
│   │   ├── a_stock.py         # A 股数据 vendor（直连 HTTP API，零第三方库）
│   │   ├── interface.py       # 数据接口抽象层
│   │   └── ...
│   └── graph/
│       ├── trading_graph.py   # 主入口：TradingAgentsGraph
│       ├── setup.py           # LangGraph 拓扑定义
│       ├── propagation.py     # 状态初始化与传播
│       ├── reflection.py      # 交易反思（CSI 300 基准）
│       └── conditional_logic.py
├── web/
│   ├── app.py                 # Streamlit 主入口
│   ├── runner.py              # 后台线程运行分析
│   ├── progress.py            # 线程安全进度追踪
│   ├── history.py             # 历史记录扫描
│   ├── pdf_export.py          # PDF 报告生成
│   ├── launch.py              # CLI 启动器
│   └── components/            # UI 组件
│       ├── sidebar.py         # 侧边栏（输入 + 历史）
│       ├── progress_panel.py  # 实时进度面板
│       └── report_viewer.py   # 报告展示
├── test_astock.py             # E2E 集成测试
├── CHANGES_FROM_UPSTREAM.md   # 与上游的完整改动记录
├── NOTICE                     # Apache 2.0 归属声明
├── LICENSE                    # Apache 2.0 许可证
└── pyproject.toml             # 包定义与依赖

致谢

本项目基于 TauricResearch/TradingAgents 开源项目进行 A 股特化改造。感谢原作者的出色工作和 Apache 2.0 开源精神。

原始论文：TradingAgents: Multi-Agents LLM Financial Trading Framework

许可证

Apache License 2.0

本项目是 TauricResearch/TradingAgents 的 fork，继承 Apache 2.0 许可证。详见 NOTICE。

Donate

如果这个工具帮到了你的投研工作流，欢迎请作者喝杯咖啡 ☕

爱发电 · Buy Me a Coffee

想要什么功能？欢迎开 Issue 提需求，赞助者的 Issue 优先处理。

项目定位

这是一个框架的工程实现，不是一个投资产品。

• 它是什么：TradingAgents 论文（TauricResearch）多 Agent 架构的 A 股工程实现，用于研究与教学——研究多 Agent 辩论在金融文本上的行为、A 股数据源如何接入、结构化输出如何落地。
• 它不是什么：不是投资顾问、不是荐股软件、不提供任何投资服务。本仓库不发布针对具体证券的分析报告、评级或买卖建议；examples/ 下只有可自行运行的脚本，没有任何预生成的个股结论。
• 模型和数据都是你自己的：你配置自己的 LLM API key，在自己的机器上运行，产出的内容归你所有、由你判断、由你负责。项目本身不托管服务、不代为分析、不接触你的运行结果。
• 不产出可执行价位：框架内没有建仓价 / 止损位 / 仓位 / 目标价这类输出——不是默认关闭，是代码里就没有。Trader 与 Portfolio Manager 只给方向、评级与理由。需要这类能力的使用者可以自行 fork 添加（Apache-2.0 允许），并自行承担相应责任、自行确认所在司法辖区的资质要求。

⚠️ 免责声明

• 本系统产出的所有内容均由 AI 自动生成，可能存在错误或偏差
• 本项目不构成任何投资建议；投资决策请咨询持有中国证监会颁发资质的专业机构
• 作者不对使用本工具产生的任何投资损失承担责任
• 股市有风险，投资需谨慎