Первое место в GitHub Trending, 2 115 звёзд за сегодня, более 59 000 всего. TradingAgents — это не просто инструмент количественного трейдинга. Это самый полный мультиагентный фреймворк для финансовых торгов, доступный на сегодня. Выпущенная на прошлой неделе версия v0.2.4 сделала нечто важное: официально вывела Qwen, DeepSeek и Zhipu GLM до первоклассных граждан наравне с GPT, Gemini и Claude.
Что это значит? Открытая AI-система трейдинга, имитирующая работу исследовательской команды с Уолл-стрит, теперь может работать на китайских национальных моделях.
Архитектура: инвестиционная команда внутри кода
Философия дизайна TradingAgents проста: реальные торговые решения принимаются не одним человеком — это результат командной работы.
Фреймворк разбивает процесс принятия торговых решений на четыре специализированные команды:
Команда аналитиков (Analyst Team):
- Фундаментальный аналитик: оценивает финансовую отчётность, определяет внутреннюю стоимость, выявляет сигналы риска
- Аналитик настроений: анализирует настроения в социальных сетях с помощью количественной оценки, измеряя краткосрочные рыночные настроения
- Новостной аналитик: отслеживает макроэкономические события и глобальные новости, интерпретируя их влияние на рынки
- Технический аналитик: выявляет торговые сигналы на основе индикаторов MACD, RSI и других
Команда исследователей (Researcher Team): Состоит из «бычьих» и «медвежьих» исследователей, которые структурно дебатируют выводы аналитиков. Это не декорация — количество раундов дебатов настраивается, заставляя модель рассматривать каждое суждение с обеих сторон.
Трейдер-агент: Синтезирует все отчёты для определения тайминга и размера позиции.
Управление рисками + Портфельный менеджер: Оценивает волатильность рынка, ликвидность и другие факторы риска. Портфельный менеджер обладает окончательным правом утверждения — торговые предложения должны пройти проверку перед исполнением на симулированной бирже.
Ключевые изменения в v0.2.4
Это обновление — не просто добавление нескольких опций API-ключей. Вот существенные изменения:
1. Национальные модели как первоклассные граждане
DEEPSEEK_API_KEY=... # DeepSeek
DASHSCOPE_API_KEY=... # Qwen (Alibaba DashScope)
ZHIPU_API_KEY=... # GLM (Zhipu)Опция llm_provider в конфигурации напрямую включает qwen, deepseek и glm. Также поддерживается маршрутизация через OpenRouter, локальное развёртывание с Ollama и корпоративное развёртывание Azure/AWS. Это не поверхностная совместимость — это мультипровайдерная поддержка на уровне архитектуры.
2. Постоянная память решений
TradingAgents ведёт журнал решений в ~/.tradingagents/memory/trading_memory.md. После каждого запуска система:
- Рассчитывает фактическую доходность и альфа относительно SPY
- Генерирует рефлексивную сводку
- Внедряет исторический опыт решений в промпт портфельного менеджера для следующего запуска
Это означает, что система запоминает свои собственные ошибки. Прошлые решения по той же акции передаются как контекст, а уроки из других тикеров также учитываются.
3. Контрольные точки LangGraph
Включается флагом --checkpoint. LangGraph сохраняет состояние после каждого узла, позволяя прерванным запускам возобновиться с последнего успешного шага.
4. Структурированные выходные агенты
В v0.2.4 исследовательский менеджер, трейдер и портфельный менеджер обновлены до агентов со структурированным выводом, обеспечивая согласованность формата — критически важную для надёжности последующих решений.
Быстрый старт
git clone https://github.com/TauricResearch/TradingAgents.git
cd TradingAgents
conda create -n tradingagents python=3.13
conda activate tradingagents
pip install .
# Установите ваш API-ключ
export DASHSCOPE_API_KEY=your-qwen-key
# Интерактивный CLI
tradingagentsИли одним Docker-командой:
cp .env.example .env # Заполните API-ключи
docker compose run --rm tradingagentsПоддержка локальных моделей:
docker compose --profile ollama run --rm tradingagents-ollamaPython-интеграция
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)Сигнал и шум
Сигнал: Архитектура TradingAgents действительно надёжна. Мультиролевые дебаты, постоянная память, восстановление из контрольных точек, структурированный вывод — это не gimmicks, а инженерные практики, существенно повышающие надёжность мультиагентных систем.
Шум: Фреймворк явно указывает, что предназначен только для исследовательских целей и не является инвестиционной рекомендацией. Производительность LLM в финансах сильно зависит от выбора модели, температуры, качества данных и множества неопределённых факторов. Не используйте его для управления реальными деньгами.
Почему это важно
TradingAgents представляет тенденцию: вертикальные мультиагентные фреймворки переходят от демо к продакшену. Это не «пусть LLM выбирает акции за вас» — это полный исследовательский рабочий процесс, закодированный в настраиваемый, расширяемый и аудируемый граф агентского взаимодействия.
Для китайских разработчиков нативная поддержка Qwen/DeepSeek/GLM означает возможность запускать весь пайплайн на национальных моделях — практическое преимущество в стоимости API, комплаенсе и суверенитете данных.
Если вы исследуете AI + финансы, TradingAgents — одна из самых полных reference-реализаций в мире open source.
Источник: TauricResearch/TradingAgents | arXiv статья Дисклеймер: Данная статья носит исключительно технический характер и не является инвестиционной рекомендацией.