一个利用多个AI大模型智能体，帮你分析A股/港股新闻、财报并制定交易策略的自动化框架。
一、这个项目能做什么？
老实说，我第一次看到这个项目的时候，眼睛都亮了。咱们这些天天琢磨股票的，不就想要个“AI军师”嘛？这个【TradingAgents中文增强版】项目，就是这么个东西。它不是一个简单的炒股软件，而是一个基于现在最火的多智能体（Multi-Agents）和大型语言模型（LLM）的交易决策框架，专门为咱们A股和港股市场量身定做的。
项目的主要贡献者叫 hsliuping，看他的代码提交记录和项目结构，绝对是个懂AI又懂金融的实战派大佬。这个项目不是一个封闭的黑盒子，而是给了你一套完整的工具和框架，让你自己搭建一个专属的AI交易分析团队。
具体来说，它能干这些事：
目标市场：非常明确，就是咱们这些玩A股和港股的个人投资者，还有那些想用AI技术做量化交易的开发者、研究员。
核心能力和技术优势：最大的亮点就是“多智能体协作”。它不像其他工具那样，一个模型包打天下。它是模拟一个专业的基金团队，里面有好几个“AI员工”，各司其职：
1. 数据分析员（Data Analyst Agent）：负责从网上扒拉最新的新闻、公告、研究报告。
2. 新闻分析师（News Analyst Agent）：专门解读这些新闻是利好还是利空，影响有多大。
3. 财报分析师（Financial Analyst Agent）：啃那些复杂的财务报表，告诉你公司到底赚不赚钱，有没有雷。
4. 技术分析师（Technical Analyst Agent）：看K线图，分析各种技术指标，找买卖点。
5. 投资经理（Trading Strategy Manager Agent）：这是个领导，它会汇总所有“员工”的报告，然后拍板，给出一个综合的交易建议，比如“买入”、“卖出”或者“持仓观望”，连仓位建议都有。
这种分工协作的模式，比单个AI模型分析得更全面、更深入，决策也更靠谱。而且整个框架是开源的，你可以随便改，比如换个更牛的大模型，或者自己加一个专门分析宏观政策的“AI政策分析师”，定制性非常强。
二、Github项目代码库供那些人使用？
这个项目在Github上还挺火的，我刚去看了一眼，已经有超过1.8k的Star和接近300个Fork了。这说明懂行的人都觉得这玩意儿有东西，潜力很大。
那什么样的人适合用这个项目呢？
1. 有编程基础的个人投资者：如果你懂点Python，想让AI帮你分担分析股票的繁重工作，那这个项目简直是为你量身定做的。你可以把它跑在自己的电脑上，让它7×24小时帮你盯着市场动态。
2. 量化交易爱好者和开发者：对于专业的量化玩家来说，这是一个非常好的起点。你可以在这个框架的基础上，开发更复杂的交易策略，对接实盘交易接口，打造全自动的交易机器人。
3. AI和金融领域的研究人员/学生：想研究大模型在金融领域的应用吗？这个项目提供了一个非常具体、完整的落地案例，代码结构清晰，很适合学习和做二次开发。
使用门槛：
说实话，这个项目不是给纯小白用的，你至少得具备下面这些基础知识：
* 懂点Python：知道怎么安装Python环境，怎么用pip装依赖包。
* 会用命令行：基本的`cd`, `ls`, `git clone`这些命令得会用。
* 了解API：你需要自己去申请大模型（比如Google的Gemini）和股票数据源的API Key，并且知道怎么把这些Key配置到项目里。
* 基础的金融知识：K线、财报、市盈率这些基本概念你得懂，不然AI给出的分析报告你也看不明白。
总的来说，它适合那些有一定动手能力，想深度参与到AI交易决策过程中的人。
三、这个Github项目代码库有哪些有亮点的特色功能和服务？
这个项目最让我兴奋的就是它的几个特色功能，真不是盖的，玩起来特别有意思。
亮点一：模拟真实投研团队的多智能体协作框架
这个我前面提过，但必须再强调一下，这是它最核心的亮点。你启动程序后，能清清楚楚地看到每个智能体（Agent）的工作日志。
* 功能名称：Multi-Agent Collaboration Framework
* 详细内容：它内置了数据检索、新闻分析、财报分析、技术分析和策略决策五种不同的Agent。每个Agent都有自己明确的“岗位职责说明书”（通过Prompt设定）。比如，新闻Agent只关心新闻的情感和影响，财报Agent则深挖杜邦分析、偿债能力等核心财务指标。最后由“投资经理”Agent来做最终决策。
* 使用效果：感觉就像你养了一个专业的投研团队。输出的报告逻辑非常清晰，先是各部门分析，最后是总结陈词。这比单个模型给出的“买”或“卖”的简单结论，要透明和可信得多。你能追溯决策的每一个环节，知道为什么AI会这么建议。
亮点二：高度可定制和可扩展
这个项目不是一个写死了的软件，而是一个“乐高积木”式的框架。
* 功能名称：Pluggable & Extensible Architecture
* 详细内容：你可以很方便地更换它使用的大模型。代码里预设了对Google Gemini和OpenAI GPT系列模型的支持。如果你有自己的本地模型，比如ChatGLM，稍微改改代码也能接进去。此外，你还可以根据自己的交易思想，创建新的Agent。比如，我觉得市场情绪很重要，我就可以自己写一个“市场情绪分析Agent”，专门去分析社交媒体上的讨论，然后把它加入到决策流程里。
* 使用效果：给了用户极大的自由度。你可以根据自己的成本预算选择用免费的API还是付费的API。也可以根据自己的投资风格，打造一个独一無二的、别人复制不了的AI分析工具。
亮点三：专为A股/港股市场优化
很多国外的AI金融项目，拿到A股市场就水土不服，但这个项目是“土生土长”的。
* 功能名称：A-share/HK-share Market Optimization
* 详细内容：项目默认使用的数据源和新闻源都是国内用户常用的，比如baostock、tushare等。对中文新闻和财报的理解也做了特别优化，能更好地捕捉A股市场的“黑话”和特色。
* 使用效果：分析结果非常接地气。比如它在分析新闻时，能理解“重大利好”、“业绩爆雷”这类词的真正含义。分析财报时，也会关注A股投资者特别在意的“扣非净利润”、“研发投入”等指标。
四、如何使用该Github项目代码库提供的工具和服务？
1、Github项目代码库有没有演示网址？
这个项目是一个开源代码库，不是一个商业化的在线网站，所以没有提供可以直接登录操作的演示网址。你需要把它下载到自己的电脑或者服务器上运行。这其实是好事，保证了你的交易策略和API Key的私密性。
2、安装部署这个项目对环境有哪些要求？
部署这个项目其实不复杂，对硬件要求也不高，普通的个人电脑就行。主要是软件环境要对。
* 操作系统：Windows, macOS, Linux 都可以，没啥限制。
* Python版本：官方推荐使用 Python 3.10 或者更高的版本。我亲测3.11也没问题。
* 安装工具：需要有 Git 和 pip。
基本上，只要你的电脑能正常跑Python，就能跑这个项目。
3、如何安装部署这个项目库？
我带你一步一步走一遍，跟着做就行，非常简单。
第一步：下载代码
打开你的电脑终端（Windows上叫CMD或PowerShell），找个你喜欢的文件夹，然后输入下面的命令把代码克隆下来：
`git clone https://github.com/hsliuping/TradingAgents-CN.git`
第二步：进入项目目录
下载完后，输入：
`cd TradingAgents-CN`
第三步：创建虚拟环境（强烈推荐）
为了不把你电脑上原来的Python环境搞乱，我们创建一个干净的虚拟环境。
`python -m venv venv`
然后激活它：
* Windows: `venv\Scripts\activate`
* Mac/Linux: `source venv/bin/activate`
激活成功后，你会看到命令行前面多了个 `(venv)` 的标记。
第四步：安装依赖包
项目需要的所有第三方库都在 `requirements.txt` 文件里了，我们一键安装：
`pip install -r requirements.txt`
这个过程可能需要几分钟，取决于你的网速。
第五步：配置API Key
这是最关键的一步。项目需要用到大模型API和股票数据API。
1. 找到项目里的 `.env.example` 文件，把它复制一份，改名为 `.env`。
2. 打开这个新的 `.env` 文件，你会看到里面有几行配置。
3. `GEMINI_API_KEY = “your_gemini_api_key”`：把这里的 `your_gemini_api_key` 换成你自己的Gemini API Key。
4. `TUSHARE_TOKEN = “your_tushare_token”`: 如果你用tushare作为数据源，就把你的token填进去。如果用baostock，这行可以不管。
把你的Key填进去，保存文件。好了，到这里整个项目就部署完成了！
4、这个项目库使用的大模型是什么？
这个项目主要使用的是 Google 的 Gemini Pro 模型，因为它目前对个人用户免费，而且性能也相当不错，性价比超高。所以，你需要去申请一个 Gemini 的 API Key。
申请过程也不麻烦，我给你写个简单的教程：
1. **访问Google AI Studio**：首先，你需要能访问Google。打开浏览器，进入 Google AI Studio 官网 (`https://aistudio.google.com/`)。
2. **登录Google账号**：用你的Google账号登录。
3. **同意条款**：第一次进入可能会有一些服务条款需要你同意，勾选同意就行。
4. **创建API Key**：登录后，在网页的左侧菜单栏，点击 “Get API key” 按钮。
5. **创建新项目**：系统会引导你，点击 “Create API key in new project”。
6. **复制API Key**：稍等片刻，屏幕上就会弹出一个窗口，里面有一长串字符，那个就是你的API Key。赶快把它复制下来，保存好。
拿到这个Key之后，就按照上一步说的，把它填到项目的 `.env` 文件里。就这么简单，你的AI军师就有“大脑”了。
5、举例说明这个项目库的基本使用方法
部署好之后，用起来就更简单了。打开你的终端，确保你还在项目的目录下，并且虚拟环境是激活状态。
比如，我想让AI帮我分析一下腾讯控股（港股代码是 00700），我只需要运行下面这行命令：
`python main.py –stock “00700”`
敲下回车后，你就能在屏幕上看到程序跑起来了。它会依次打印出每个Agent的工作日志：
* “数据分析员正在获取腾讯控股的最新新闻和财报…”
* “新闻分析师正在分析这些新闻的情绪…”
* “财报分析师正在进行杜邦分析…”
* “技术分析师正在分析K线形态…”
* “投资经理正在汇总所有信息，生成最终报告…”
整个过程大概会持续一两分钟，具体时间取决于网络和你用的大模型的响应速度。
跑完之后，项目目录下会生成一个 `stock_analysis_reports` 文件夹，里面有一个以股票代码和日期命名的 `json` 文件，比如 `00700_腾讯控股_xxxxxxxx.json`。打开这个文件，里面就是一份非常详细的、结构化的分析报告，包括基本面分析、技术面分析、新闻舆情、风险点，以及最终的投资建议和仓位建议。一目了然！
6、最近升级或者增加了哪些新的功能？
我翻了一下项目的更新记录（Commits），发现作者非常活跃，一直在优化和添加新功能。最近的一些更新挺给力的：
* **增强了财务分析能力**：财报分析师Agent现在会做更深入的分析了，比如增加了杜邦分析（ROE拆解），对公司的盈利能力、营运能力、偿债能力分析得更透彻。
* **优化了Prompt**：作者对每个Agent的Prompt（就是给AI下达的指令）进行了微调，让AI的回答更专业、更聚焦，减少了“说废话”的情况。
* **增加了对本地数据源的支持**：除了在线获取数据，现在好像也开始支持加载本地的股票数据了，这对于想用自己数据进行回测的专业用户来说非常方便。
* **代码结构优化**：重构了一些代码，让整个框架的逻辑更清晰，方便我们这些用户进行二次开发。
7、有关这个项目库还有哪些资源和工具？
除了核心代码，这个项目还提供了一些有用的东西：
* **清晰的文档**：项目的 `README.md` 文件写得非常详细，从项目介绍到安装部署再到使用方法，基本涵盖了所有你需要知道的东西。
* **示例报告**：项目里自带了一些已经生成好的分析报告示例，你可以直接查看，了解AI最终能产出什么样的结果。
* **Issues交流区**：Github的Issues区就是官方的论坛。你遇到了任何问题，都可以在上面提问，作者和其他用户都挺热情的，会帮你解答。这也是一个学习和交流的好地方。
五、这个项目库需要哪些资源支持？
运行这个项目需要的资源其实挺亲民的，主要就是下面几样：
1. **云主机/VPS（可选）**：虽然你可以在自己电脑上跑，但如果你想让它7×24小时不间断地监控市场，我建议你租一个便宜的云服务器或者VPS。这样你关了电脑，它也能继续工作。国外的服务器可能访问Google API更顺畅。
2. **Python运行环境**：这个是必须的，但不怎么耗资源。
3. **大模型API Key**：目前用Google Gemini Pro是免费的，但有调用频率限制。如果你想更高频地使用，或者换成GPT-4这种更强的模型，那就需要付费了。
4. **股票数据API（可选）**：项目默认使用的baostock是免费的。但如果你需要更高频、更全面的数据，可能会考虑Tushare Pro等付费数据接口，这会是一笔开销。
5. **Docker（可选）**：对于熟悉Docker的用户，可以把整个项目打包成一个Docker镜像，这样部署和迁移就更方便了，可以一键在任何支持Docker的机器上跑起来。不过项目目前好像还没提供官方的Dockerfile，需要自己写。
总的来说，入门的成本几乎为零，主要就是花点时间。
六、网友对这个项目库提出了哪些常见问题
我逛了逛项目的Issues区，总结了几个大家问得比较多的新手问题，基本都是配置和环境相关的。
**问题1：运行程序时报错，提示 `google.generativeai.errors.PermissionDenied: 403 The caller does not have permission`。**
* 答案：这个是典型的API Key权限问题。大概率是你的Google Cloud项目没有启用 “Generative Language API”，或者你所在的地区访问受限。解决方法是：检查你的Google Cloud后台，确保API已经启用。如果还是不行，就得考虑使用代理或者在能够正常访问Google服务的VPS上运行这个项目了。
**问题2：如何分析A股的股票？比如贵州茅台？**
* 答案：非常简单，A股股票代码需要加上市场前缀。上海交易所的股票是 `sh.`，深圳交易所的股票是 `sz.`。所以，要分析贵州茅台（600519），你应该运行 `python main.py –stock “sh.600519″`。
**问题3：能不能同时分析多只股票？**
* 答案：目前项目主程序 `main.py` 一次只支持分析一只股票。但因为它是开源的，你可以自己写一个简单的Python脚本，循环调用 `main.py`，或者修改 `main.py` 的代码，让它支持接收一个股票列表作为参数。社区里已经有人讨论过这个思路了。
**问题4：运行 `pip install -r requirements.txt` 的时候，某个库安装失败怎么办？**
* 答案：这通常是网络问题或者某些库在国内的镜像源不完整导致的。可以尝试切换pip的镜像源到国内的源，比如清华源或者阿里源。命令是：`pip install -r requirements.txt -i https://pypi.tuna.tsinghua.edu.cn/simple`。
**问题5：生成的分析报告是空的或者内容不全。**
* 答案：检查一下你的 `.env` 文件里的API Key是不是填对了，有没有多余的空格。另外，检查一下终端的输出，看看在程序运行过程中有没有报错，比如数据接口访问失败、API调用超时等。这些错误信息会告诉你问题出在哪。
七、用户对这个项目库的评价怎么样？
综合来看，大家对这个项目的评价还是非常正面的，毕竟解决了大家的一个核心痛点。
**正面评价1**：“这个多智能体的想法太酷了！比我之前用的单一模型分析工具要靠谱得多，输出的报告有模有样，真的像那么回事。”
**正面评价2**：“作者太强了，代码结构很清晰，我一个刚学Python没多久的都能看懂大部分逻辑，准备在这个基础上加一个自己的选股策略Agent。”
**正面评价3**： “专门针对A股和港股优化，这点非常赞。之前用过一些国外的项目，分析A股总是抓不住重点，这个项目就很接地气。”
**正面评价4**：“感谢作者，Gemini Pro免费API的方案，让我这种个人开发者也能低成本地玩转AI量化，入门门槛大大降低了。”
**负面评价1 (建设性意见)**：“目前的功能还比较偏向于生成分析报告，如果能再集成一些基础的回测功能，验证策略的有效性，或者直接提供一个对接券商实盘交易的接口示例，那就更完美了。”
八、与同类型项目对比有哪些亮点和不足？
拿市面上几个类似的项目来比一下，更能看出它的特点。
**对比对象1：FinGPT**
* **亮点**：FinGPT是一个更宏大、更全面的金融大模型项目，它提供了从数据预处理、模型微调到应用的完整工具链。如果你想从头训练一个专属于金融领域的模型，FinGPT是更好的选择。
* **不足**：TradingAgents-CN相比之下更轻量、更聚焦于“应用”。它不试图去训练一个新模型，而是巧妙地利用现有的通用大模型，通过多智能体框架来解决具体的决策问题，上手更快，对算力要求也低得多。对于不想深入模型训练细节的普通用户来说，TradingAgents-CN更友好。
**对比对象2：Qlib (by Microsoft)**
* **亮点**：Qlib是一个工业级的量化投资平台，非常强大和完善。它内置了海量的数据、丰富的因子库和专业的量化策略框架，特别是在量化策略的实现和回测方面，非常成熟。
* **不足**：Qlib的学习曲线非常陡峭，更适合专业的量化机构和研究人员。TradingAgents-CN的核心是利用LLM的自然语言理解和逻辑推理能力，思路更“文科”，更侧重于对新闻、财报等非结构化信息的理解和分析，这是传统量化工具Qlib的短板。TradingAgents-CN可以说是在另一个维度上做补充。
**对比对象3：InvestAI**
* **亮点**：一些类似InvestAI的项目或工具，通常会封装得很好，提供一个漂亮的UI界面，让用户可以直接输入股票代码就看到结果。对于完全不懂编程的用户来说，这类产品更易用。
* **不足**：这类产品通常是黑盒，你不知道它背后的分析逻辑是什么。而TradingAgents-CN最大的优势就是开源和透明，你可以审查和修改它的每一个分析步骤和逻辑，可控性和可定制性完胜。它给你的不是一条鱼，而是钓鱼的方法和全套渔具。
相关软件