TradingAgents-astock

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（无 [google] extra，需显式装，见下方 FAQ）：
pip install --no-deps "langchain-google-genai>=4.0.0"
pip install "google-genai>=1.53.0" "httpx>=0.28.1"

# 如需让节点走你个人 Claude Pro/Max 订阅额度而非 API 计费（可选）：
pip install -e ".[agentsdk]"

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

默认走 API Key 计费。每次分析需 30-50 次 LLM 调用。

例外（v0.4.0 新增）：装 [agentsdk] 后可让部分或全部节点经 Claude Agent SDK 走你个人 Claude Pro/Max 订阅额度，不产生 API 账单。见下方「用个人 Claude 订阅额度」。

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_API_KEY=your-kimi-token
ANTHROPIC_BASE_URL=https://api.kimi.com/coding/
# ⚠️ 两个都要设。只给 key 不给端点，请求会发到 Anthropic 官方并报
#    「401 invalid x-api-key」。端点也可以写在 config 的 backend_url 里（见下）。
# ⚠️ 别用 ANTHROPIC_AUTH_TOKEN——那是 Claude Code CLI 的写法，本项目走 langchain，
#    只认 ANTHROPIC_API_KEY。

# ── 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

新建一个 Python 文件（比如项目根目录下的 run.py），把下面这段粘进去，按你选的供应商改 config 后运行 uv run python run.py。根目录自带的 main.py 就是这个示例的可运行版本，直接 uv run python main.py 也行。

config 不是仓库里的某个配置文件，而是传给 TradingAgentsGraph(config=...) 的一个字典：只写你要覆盖的项，其余项自动取 tradingagents/default_config.py 里的默认值（完整可选项见下文「配置说明」一节）。

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 analyze         # 同上（默认命令）
tradingagents performance     # 决策绩效统计（见下）
tradingagents --help          # 查看所有选项

5. 决策绩效统计（v0.5.2 新增）

想知道这套流程过往的判断准不准，跑：

tradingagents performance            # 人读的报告
tradingagents performance --json     # 机器读的 JSON

数据来自记忆日志：每次分析会落一条决策，下次分析同一只股票时自动拉真实行情回填收益与 alpha（对沪深 300）。统计本身零 LLM 调用，只读已经落盘的结果。

输出的核心指标是 direction_accuracy（方向正确率）——只有它衡量判断准不准：看多要跑赢、看空要跑输才算对，Hold 不表态不计入。另外给出 up_rate（标的上涨占比）与 outperform_rate（跑赢沪深300占比），这两个只描述标的怎么走，与判断对错无关：给出卖出评级后股价下跌是判断正确，但它不会计入「上涨占比」。

还有按评级、按标的分组，以及一项评级区分度检验——五档评级从 Buy 到 Sell，平均 alpha 是否真的单调递减。评级不单调，说明这套流程的评级没有实际区分能力。

几