TradingAgents 框架采用专业化的多智能体架构，每个智能体都有明确的职责和专业领域。智能体之间通过结构化的通信协议进行协作，形成一个完整的金融决策系统。
class BaseAgent:
"""所有智能体的基础类"""
def __init__(self, llm, config):
self.llm = llm
self.config = config
self.memory = AgentMemory()
self.tools = self._initialize_tools()
def process(self, state: AgentState) -> AgentState:
"""处理输入状态并返回更新后的状态"""
pass
def _initialize_tools(self):
"""初始化智能体专用工具"""
pass
class AgentState:
"""智能体状态数据结构"""
ticker: str # 股票代码
date: str # 分析日期
analyst_reports: Dict # 分析师报告
research_reports: Dict # 研究员报告
trader_decision: Dict # 交易决策
risk_assessment: Dict # 风险评估
portfolio_decision: Dict # 投资组合决策
messages: List[BaseMessage] # 消息历史
class FundamentalsAnalyst(BaseAgent):
"""基本面分析师 - 分析公司财务和基本面数据"""
专业领域:
- 财务报表分析
- 估值模型计算
- 行业对比分析
- 盈利能力评估
输入数据:
- 财务报表数据
- 行业数据
- 宏观经济指标
输出结果:
- 基本面评分
- 估值建议
- 财务健康度评估
class MarketAnalyst(BaseAgent):
"""技术分析师 - 分析技术指标和价格趋势"""
专业领域:
- 技术指标计算 (RSI, MACD, 布林带等)
- 趋势分析
- 支撑阻力位识别
- 交易信号生成
输入数据:
- 历史价格数据
- 交易量数据
- 技术指标数据
输出结果:
- 技术分析评分
- 趋势方向判断
- 关键价位识别
class NewsAnalyst(BaseAgent):
"""新闻分析师 - 分析新闻事件和宏观因素"""
专业领域:
- 新闻情感分析
- 事件影响评估
- 宏观经济分析
- 政策影响分析
输入数据:
- 新闻文章
- 经济数据发布
- 政策公告
输出结果:
- 新闻情感评分
- 事件影响评估
- 宏观趋势判断
class SocialMediaAnalyst(BaseAgent):
"""社交媒体分析师 - 分析社交媒体情绪"""
专业领域:
- 社交媒体情感分析
- 舆论趋势监测
- 热点话题识别
- 投资者情绪评估
输入数据:
- Reddit 讨论数据
- Twitter 情感数据
- 论坛讨论内容
输出结果:
- 社交情感评分
- 舆论趋势分析
- 投资者情绪指标
class BullResearcher(BaseAgent):
"""看涨研究员 - 从乐观角度评估投资机会"""
职责:
- 识别积极因素
- 评估上涨潜力
- 提供乐观预期
- 挑战悲观观点
分析重点:
- 增长机会
- 市场优势
- 正面催化剂
- 估值吸引力
class BearResearcher(BaseAgent):
"""看跌研究员 - 从悲观角度评估投资风险"""
职责:
- 识别风险因素
- 评估下跌风险
- 提供谨慎预期
- 挑战乐观观点
分析重点:
- 潜在风险
- 市场威胁
- 负面催化剂
- 估值过高风险
class Trader(BaseAgent):
"""交易员 - 制定最终交易决策"""
职责:
- 综合各方分析
- 制定交易策略
- 确定仓位大小
- 设置止损止盈
决策因素:
- 分析师报告
- 研究员辩论结果
- 风险评估
- 市场条件
class RiskDebator(BaseAgent):
"""风险评估智能体基类"""
风险评估维度:
- 市场风险
- 流动性风险
- 信用风险
- 操作风险
评估方法:
- VaR 计算
- 压力测试
- 情景分析
- 相关性分析
class ResearchManager(BaseAgent):
"""研究经理 - 协调研究员团队工作"""
职责:
- 组织研究员辩论
- 平衡不同观点
- 形成研究共识
- 质量控制
class RiskManager(BaseAgent):
"""风险经理 - 管理整体风险控制"""
职责:
- 协调风险评估
- 制定风险政策
- 监控风险指标
- 最终风险决策
graph LR
Input[市场数据] --> FA[基本面分析师]
Input --> MA[技术分析师]
Input --> NA[新闻分析师]
Input --> SA[社交媒体分析师]
FA --> Reports[分析报告]
MA --> Reports
NA --> Reports
SA --> Reports
graph TB
Reports[分析报告] --> RM[研究经理]
RM --> BR[看涨研究员]
RM --> BEAR[看跌研究员]
BR --> Debate[结构化辩论]
BEAR --> Debate
Debate --> Consensus[研究共识]
graph TB
Consensus[研究共识] --> Trader[交易员]
Trader --> Decision[交易决策]
Decision --> RiskTeam[风险管理团队]
RiskTeam --> RiskManager[风险经理]
RiskManager --> FinalDecision[最终决策]
class AgentMessage:
sender: str # 发送者ID
receiver: str # 接收者ID
message_type: str # 消息类型
content: Dict # 消息内容
timestamp: datetime # 时间戳
priority: int # 优先级
agent_config = {
"llm_model": "gpt-4o", # 使用的LLM模型
"temperature": 0.1, # 生成温度
"max_tokens": 2000, # 最大token数
"tools_enabled": True, # 是否启用工具
"memory_enabled": True, # 是否启用记忆
"debate_rounds": 3, # 辩论轮数
"confidence_threshold": 0.7, # 置信度阈值
}
每个智能体都有特定的配置参数，以优化其专业领域的表现：
这种专业化的智能体架构确保了系统能够从多个角度全面分析市场，并通过协作机制形成高质量的投资决策。