TradingAgents v0.2.4: виртуальная торговая фирма на LLM

TradingAgents v0.2.4: виртуальная торговая фирма на основе LLM

Исследовательская группа UCLA Tauric Research выпустила TradingAgents v0.2.4 — мультиагентный LLM-фреймворк на основе LangGraph, имитирующий настоящую торговую фирму с 5 уровнями и около 12 агентами. В новом релизе появились Pydantic-типизированные структурированные выводы, возобновление работы через LangGraph checkpoint, персистентный журнал решений, 5-уровневая рейтинговая шкала и поддержка 10 LLM-провайдеров. Проект открыт на GitHub и уже набрал 53 000 звёзд.

Архитектура: роли вместо монолита

TradingAgents — это фреймворк для биржевой торговли, вдохновлённый устройством реальных трейдинговых компаний: LLM-агенты занимают специализированные роли фундаментальных аналитиков, аналитиков настроений, технических аналитиков и трейдеров с разными профилями риска.

Большинство LLM-ботов для торговли — это одна модель с огромным промтом, которая страдает от предвзятости подтверждения: как только формируется начальный тезис, модель ищет только подтверждающие аргументы. TradingAgents решает эту проблему структурно, используя 5 уровней ролевых агентов, которые спорят друг с другом.

graph TD
    A["Analyst Team x4\nФундаментальный / Сентимент / Новости / Технический"] --> B["Bull vs Bear Debate\nБычий исследователь vs Медвежий"]
    B --> C["Trader\nBuy / Hold / Sell"]
    C --> D["Risk Management\nАгрессивный / Консервативный / Нейтральный"]
    D --> E["Portfolio Manager\nBuy / Overweight / Hold / Underweight / Sell"]

Фреймворк задействует семь distinct-ролей: фундаментальный аналитик, аналитик настроений, новостной аналитик, технический аналитик, исследователь, трейдер и риск-менеджер — каждый оснащён специализированными инструментами и ограничениями под свою функцию.

Что нового в v0.2.4

В апреле 2026 года вышла версия v0.2.4 со структурированными агентами (Research Manager, Trader, Portfolio Manager), возобновлением через LangGraph checkpoint, персистентным журналом решений, поддержкой провайдеров DeepSeek/Qwen/GLM/Azure, Docker и исправлением кодировки UTF-8 для Windows.

Structured-output агенты

Research Manager, Trader и Portfolio Manager теперь используют llm.with_structured_output(Schema) при основном вызове и возвращают типизированные Pydantic-экземпляры. Каждый провайдер использует свой нативный режим структурированного вывода: json_schema для OpenAI/xAI, response_schema для Gemini, tool-use для Anthropic, function-calling для совместимых с OpenAI провайдеров.

LangGraph Checkpoint Resume

Checkpoint resume активируется флагом --checkpoint. Состояние сохраняется после каждого узла, поэтому упавшие или прерванные запуски возобновляются с последнего успешного шага. Checkpoint-ы хранятся в SQLite-базах по тикерам в директории ~/.tradingagents/cache/checkpoints/.

Персистентный журнал решений

Персистентный журнал решений заменил прежнюю BM25-память. Решения сохраняются автоматически по завершении каждого анализа; при следующем запуске по тому же тикеру система разрешает ранее ожидающие записи с фактической доходностью, альфой против SPY и рефлексией в абзаце.

Поддерживаемые LLM-провайдеры

Фреймворк поддерживает провайдеров: OpenAI, Google, Anthropic, xAI, DeepSeek, Qwen (Alibaba DashScope), GLM (Zhipu), OpenRouter, Ollama для локальных моделей и Azure OpenAI для корпоративного развёртывания.

Быстрый старт

git clone https://github.com/TauricResearch/TradingAgents.git
cd TradingAgents
conda create -n tradingagents python=3.13
conda activate tradingagents
pip install .

Либо через Docker:

cp .env.example .env  # добавьте API-ключи
docker compose run --rm tradingagents

Пример использования из кода:

from tradingagents.graph.trading_graph import TradingAgentsGraph
from tradingagents.default_config import DEFAULT_CONFIG

config = DEFAULT_CONFIG.copy()
config["llm_provider"] = "openai"
config["deep_think_llm"] = "gpt-5.4"      # Модель для сложных рассуждений
config["quick_think_llm"] = "gpt-5.4-mini" # Модель для быстрых задач
config["max_debate_rounds"] = 2

ta = TradingAgentsGraph(debug=True, config=config)
_, decision = ta.propagate("NVDA", "2026-01-15")
print(decision)

История версий

Значение для отрасли

«TradingAgents — это не инструмент “зарабатывай с AI”, а исследовательский фреймворк, демонстрирующий, что мультиагентная парадигма работает в высокорискованной среде.»

Релиз TradingAgents знаменует растущую важность LLM в количественных финансах. Традиционно алгоритмическая торговля опиралась на жёсткие статистические модели, однако интеграция мультиагентных LLM добавляет уровень когнитивной гибкости и понимания естественного языка, которого прежде не было. Это открывает путь к более сложному анализу неструктурированных финансовых данных — новостных материалов и социальных сетей — напрямую интегрированному в торговое исполнение.

Подробная архитектура и масштабные эксперименты демонстрируют превосходство фреймворка над базовыми моделями: заметные улучшения в накопленной доходности, коэффициенте Шарпа и максимальной просадке подчёркивают потенциал мультиагентных LLM-фреймворков в финансовой торговле.

Репозиторий проекта: github.com/TauricResearch/TradingAgents