GitHub Trending 1位、本日で2,115スター増加、累計59,000スター突破。TradingAgentsは単なる定量取引ツールではありません。現在入手可能な最も完全なマルチAgent金融取引フレームワークであり、先週リリースされたv0.2.4は重要なことを実現しました：通義千問（Qwen）、DeepSeek、智譜GLMをGPT、Gemini、Claudeと同等の一等市民として正式にサポートしたのです。
これは何を意味するか？ウォール街のリサーチチームの運営方法を模倣するオープンソースのAI取引システムが、現在中国の国産モデルで駆動できるようになったということです。
アーキテクチャ：リサーチチームをコードに組み込む
TradingAgentsのコア設計思想はシンプルです——実際の取引判断は一人では下さない、チーム協力の結果なのです。
フレームワークは取引判断を4つの専門チームに分解します：
アナリストチーム（Analyst Team）：
- ファンダメンタルズアナリスト：財務諸表を分析し、本質的価値を評価し、リスクシグナルを特定
- センチメントアナリスト：ソーシャルメディアの感情を定量的スコアリングで測定し、短期市場ムードを把握
- ニュースアナリスト：マクロイベントとグローバルニュースを監視し、市場への伝播経路を解釈
- テクニカルアナリスト：MACD、RSIなどのテクニカル指標で取引シグナルを特定
リサーチャーチーム（Researcher Team）： 強気リサーチャーと弱気リサーチャーがアナリストの結論に対して構造化された議論を行います。これは飾りではありません——議論ラウンド数は設定可能で、モデルにすべての判断を両面から検証することを強制します。
トレーダーエージェント： 各レポートを統合し、売買タイミングとポジションサイズを決定します。
リスク管理＋ポートフォリオマネージャー： 市場のボラティリティ、流動性、その他のリスク要因を評価します。ポートフォリオマネージャーが最終承認権を持ちます——取引提案は審査を通過してから模擬取引所で執行されます。
v0.2.4の主な変更点
今回の更新はAPIキーオプションをいくつか追加しただけではありません。実質的な変更点を見てみましょう：
1. 国産モデルが一等公民に
DEEPSEEK_API_KEY=... # DeepSeek
DASHSCOPE_API_KEY=... # Qwen（アリババ DashScope）
ZHIPU_API_KEY=... # GLM（智譜）設定ファイルのllm_providerオプションにqwen、deepseek、glmが直接含まれています。OpenRouter経由のルーティング、Ollamaでのローカルデプロイ、Azure/AWSエンタープライズデプロイにも対応しています。これはラベルレベルの互換性ではなく、アーキテクチャレベルのマルチプロバイダーサポートです。
2. 永続化された決定メモリ
TradingAgentsは~/.tradingagents/memory/trading_memory.mdで決定ログを維持します。各実行後、システムは：
- 実際の収益率とSPY対比のアルファを計算
- 反省サマリーを生成
- 履歴決定経験を次のポートフォリオマネージャーのプロンプトに注入
つまりシステムは自分の間違いを覚えているということです。同一銘柄の過去の判断はコンテキストとして渡され、クロス銘柄の教訓も参照されます。
3. LangGraphチェックポイント再開
--checkpointフラグで有効化。LangGraphは各ノード実行後に状態を保存し、クラッシュや中断した実行を最後の成功したステップから再開できます。
4. 構造化出力エージェント
v0.2.4はリサーチマネージャー、トレーダー、ポートフォリオマネージャーを構造化出力エージェントにアップグレードし、出力フォーマットの一貫性を確保しました。
クイックスタート
git clone https://github.com/TauricResearch/TradingAgents.git
cd TradingAgents
conda create -n tradingagents python=3.13
conda activate tradingagents
pip install .
# APIキーを設定
export DASHSCOPE_API_KEY=your-qwen-key
# インタラクティブCLI
tradingagentsまたはDockerでワンコマンド：
cp .env.example .env # APIキーを入力
docker compose run --rm tradingagentsローカルモデルもサポート：
docker compose --profile ollama run --rm tradingagents-ollamaPython統合
from tradingagents.graph.trading_graph import TradingAgentsGraph
from tradingagents.default_config import DEFAULT_CONFIG
config = DEFAULT_CONFIG.copy()
config["llm_provider"] = "qwen"
config["deep_think_llm"] = "qwen-max"
config["quick_think_llm"] = "qwen-plus"
config["max_debate_rounds"] = 2
ta = TradingAgentsGraph(debug=True, config=config)
_, decision = ta.propagate("NVDA", "2026-05-01")
print(decision)シグナル vs ノイズ
シグナル：TradingAgentsのアーキテクチャ設計は確かに堅実です。マルチロールの議論、永続化メモリ、チェックポイント回復、構造化出力——これらはギミックではなく、マルチAgentシステムの信頼性を実質的に向上させるエンジニアリングプラクティスです。
ノイズ：フレームワークは明示的に研究目的のみで、投資助言ではないと記載しています。金融分野におけるLLMのパフォーマンスはモデル選択、温度パラメータ、データ品質など多くの非決定的要因に依存します。リアルマネーの管理に使用しないでください。
なぜ注目すべきか
TradingAgentsは一つのトレンドを代表しています：垂直分野のマルチAgentフレームワークがデモから本番レベルへ移行している。これは「LLMに株を選んでもらう」ではなく、完全なリサーチワークフローを設定可能、拡張可能、監査可能なAgent協調グラフにエンコードするものです。
中国の開発者にとって、Qwen/DeepSeek/GLMのネイティブサポートは、国産モデルでパイプライン全体を実行できることを意味します——APIコスト、コンプライアンス、データ主権の面で実用的な利点があります。
AI + 金融を探求しているなら、TradingAgentsは現在のオープンソースワールドで最も完全なリファレンス実装の一つです。
出典：TauricResearch/TradingAgents | arXiv論文 免責事項：本記事は技術紹介のみを目的としており、投資助言を構成するものではありません。