https://www.knightli.com/zh-tw/tags/%E9%87%8F%E5%8C%96%E4%BA%A4%E6%98%93/ Recent content in 量化交易 on KnightLi的博客 Hugo -- gohugo.io zh-tw Fri, 01 May 2026 03:14:15 +0800 https://www.knightli.com/zh-tw/2026/05/01/tradingagents-cn-multi-agent-financial-research-framework/ Fri, 01 May 2026 03:14:15 +0800 https://www.knightli.com/zh-tw/2026/05/01/tradingagents-cn-multi-agent-financial-research-framework/ <p><code>TradingAgents-CN</code> 是一個面向中文使用者的多智能體金融交易研究框架。</p> <p>它的目標不是給出「買哪隻股票」的簡單答案，而是用多個 AI Agent 模擬一個更完整的金融分析團隊：有人看基本面，有人看技術面，有人關注新聞和情緒，也有人負責風險和最終決策。對想研究 LLM + Agent + 金融分析的人來說，這類專案很適合作為實驗入口。</p> <p>需要先說清楚：這類工具適合學習、研究和輔助分析，不應該被當成實盤交易建議。金融市場有風險，模型輸出也可能出錯、滯後或過度自信。</p> <h2 id="它解決什麼問題">它解決什麼問題 </h2><p>普通聊天模型當然也能分析股票。</p> <p>你可以直接問：「幫我分析某某公司能不能買。」模型會給出一段看起來完整的回答。但這種方式有幾個問題：</p> <ul> <li>分析鏈路不透明</li> <li>不同維度容易混在一起</li> <li>缺少角色分工</li> <li>缺少正反觀點碰撞</li> <li>風險提示可能流於形式</li> <li>很難復現同一套分析流程</li> </ul> <p><code>TradingAgents-CN</code> 的思路是把金融分析拆成多個角色，讓不同 Agent 負責不同角度，再透過協作、討論和總結形成分析結果。</p> <p>這更接近真實投研流程。一個投資判斷通常不會只看一條新聞或一個技術指標，而是要結合公司基本面、市場環境、價格走勢、資金情緒、政策風險和倉位控制。</p> <h2 id="多智能體分析是什麼意思">多智能體分析是什麼意思 </h2><p>多智能體不是簡單地讓多個模型輪流說話。</p> <p>更有價值的做法，是給不同 Agent 分配清楚職責。比如：</p> <ul> <li>市場分析 Agent：關注行情走勢、價格變化和市場環境</li> <li>基本面分析 Agent：關注公司業務、財務資料和長期價值</li> <li>新聞分析 Agent：關注公告、新聞、輿情和事件影響</li> <li>技術分析 Agent：關注趨勢、指標、支撐阻力和交易訊號</li> <li>風險管理 Agent：關注波動、回撤、倉位和不確定性</li> <li>決策 Agent：綜合不同意見，形成最終判斷</li> </ul> <p>這樣的結構可以減少單個模型「一口氣說完所有結論」的問題。</p> <p>當不同角色圍繞同一個標的展開分析時，系統更容易呈現出多維度判斷，也更容易暴露分歧。對學習者來說，這比只看一段總結更有啟發。</p> <h2 id="為什麼需要中文版本">為什麼需要中文版本 </h2><p>金融分析和語言環境關係很深。</p> <p>中文使用者關注的資料來源、市場習慣、股票名稱、交易制度、新聞表達和常見術語，都和英文環境不同。直接使用英文框架，經常會遇到幾類問題：</p> <ul> <li>中文股票名稱和代碼處理不順</li> <li>A 股、港股、美股語境混雜</li> <li>中文財經新聞理解不穩定</li> <li>國內資料源接入不方便</li> <li>輸出風格不符合中文使用者閱讀習慣</li> </ul> <p><code>TradingAgents-CN</code> 的意義在於把這套多智能體金融分析流程面向中文使用者做了適配。它讓中文使用者更容易搭建、執行和理解整個交易分析實驗流程。</p> <h2 id="可以用來做什麼">可以用來做什麼 </h2><p>這個專案更適合做研究和輔助分析，而不是自動下單。</p> <p>比較合適的用途包括：</p> <ul> <li>學習多智能體系統如何協作</li> <li>研究 LLM 在金融分析中的表現</li> <li>對股票進行多角度資訊整理</li> <li>比較不同模型在投研任務中的差異</li> <li>搭建自己的金融分析 Agent 原型</li> <li>複盤某個標的的歷史資訊和風險點</li> <li>練習把投研流程拆成可執行任務</li> </ul> <p>如果你正在學習量化交易、金融工程、AI Agent 或 LLM 應用開發，這類專案可以幫助你理解「AI 投研助手」背後的工程結構。</p> <h2 id="不適合做什麼">不適合做什麼 </h2><p>它不適合被直接當成穩賺工具。</p> <p>尤其不適合：</p> <ul> <li>直接根據輸出滿倉買賣</li> <li>用模型結論替代自己的風險判斷</li> <li>把短期價格預測當成確定結果</li> <li>忽略交易成本、滑點和流動性</li> <li>不做回測就接入真實帳戶</li> <li>用單次分析結論替代長期投資策略</li> </ul> <p>LLM 擅長整理資訊、生成解釋、模擬推理流程，但它並不天然擁有穩定預測市場的能力。金融市場裡，資訊噪音、突發事件和行為博弈都很強，模型輸出只能作為參考材料之一。</p> <h2 id="和普通量化框架有什麼區別">和普通量化框架有什麼區別 </h2><p>傳統量化框架更關注資料、因子、回測、組合優化和交易執行。</p> <p>比如你會定義策略規則：</p> <ul> <li>均線突破</li> <li>動量因子</li> <li>價值因子</li> <li>波動率過濾</li> <li>止損止盈</li> <li>倉位管理</li> </ul> <p>然後用歷史資料回測策略表現。</p> <p><code>TradingAgents-CN</code> 更偏向「智能體分析框架」。它關注的是如何讓多個 LLM Agent 圍繞金融任務協作，如何模擬投研討論，如何把新聞、基本面、技術面和風險判斷組織起來。</p> <p>兩者不是替代關係。</p> <p>更現實的用法是：傳統量化系統負責可驗證的規則和回測，Agent 系統負責資訊整理、報告生成、觀點對比和輔助決策。最終能不能進入真實交易，還要經過嚴謹回測、風控和人工審核。</p> <h2 id="和直接問-chatgpt-有什麼區別">和直接問 ChatGPT 有什麼區別 </h2><p>直接問模型的門檻最低，但流程很鬆散。</p> <p>你問一次，它答一次。換個問法，結論可能就變了。你很難保證它每次都從同樣的維度分析，也很難讓它穩定扮演多個互相制衡的角色。</p> <p><code>TradingAgents-CN</code> 的價值是把分析流程結構化：</p> <ul> <li>角色更明確</li> <li>步驟更可復現</li> <li>資訊來源更容易組織</li> <li>觀點碰撞更自然</li> <li>風險檢查更容易單獨處理</li> <li>輸出更像一份投研流程結果</li> </ul> <p>這對學習和研究很有用。你可以觀察不同 Agent 如何影響最終結論，也可以替換模型、調整提示詞、修改角色分工，比較結果變化。</p> <h2 id="使用時要關注哪些風險">使用時要關注哪些風險 </h2><p>第一，資料品質。</p> <p>金融分析非常依賴資料。如果行情、財報、新聞或公告資料不完整、不及時，Agent 分析再流暢也可能建立在錯誤基礎上。</p> <p>第二，模型幻覺。</p> <p>LLM 可能編造不存在的事實、誤解資料含義，或者把舊資訊當成新資訊。涉及具體股票時，必須回到資料源核對。</p> <p>第三，過度解釋。</p> <p>模型很擅長給出「看起來合理」的解釋，但市場價格變化未必真的來自它列出的原因。不要把事後解釋誤當成因果證明。</p> <p>第四，回測和實盤差距。</p> <p>即便某個策略在歷史資料中表現不錯，真實交易中仍然會遇到滑點、手續費、流動性、停牌、漲跌停、極端行情等問題。</p> <p>第五，許可證和商用邊界。</p> <p>README 中提到專案採用混合許可證。個人學習研究和商業使用的條件可能不同。如果準備把它放進商業產品或服務，需要先仔細閱讀專案許可證說明。</p> <h2 id="適合怎樣的人研究">適合怎樣的人研究 </h2><p><code>TradingAgents-CN</code> 適合這些人：</p> <ul> <li>想學習 AI Agent 架構的開發者</li> <li>想研究 LLM 金融分析能力的人</li> <li>做量化交易但想加入自然語言分析的人</li> <li>想搭建投研輔助工具的團隊</li> <li>想了解多角色協作如何影響決策的人</li> <li>希望用中文環境實驗交易 Agent 的使用者</li> </ul> <p>如果你的目標只是獲得一個簡單的買賣建議，這個專案反而不是最合適的打開方式。它更值得關注的是流程、角色、協作和風險控制，而不是某一次輸出的結論。</p> <h2 id="可以怎麼擴展">可以怎麼擴展 </h2><p>這類框架後續有很多可擴展方向：</p> <ul> <li>接入更多可靠資料源</li> <li>增加本地模型支援</li> <li>加入回測模組</li> <li>細化 A 股、港股、美股不同市場規則</li> <li>增加產業分析 Agent</li> <li>增加組合管理和倉位控制</li> <li>加強報告引用和資料溯源</li> <li>把 Agent 結論和傳統量化訊號結合</li> </ul> <p>真正有價值的金融 AI 系統，通常不是讓模型單獨決定一切，而是讓它嵌入一個可驗證、可追蹤、可風控的流程裡。</p> <h2 id="參考">參考 </h2><ul> <li><a class="link" href="https://github.com/hsliuping/TradingAgents-CN" target="_blank" rel="noopener" >hsliuping/TradingAgents-CN</a></li> </ul> <h2 id="最後一句">最後一句 </h2><p><code>TradingAgents-CN</code> 值得關注的地方，不是它能不能預測下一根 K 線，而是它把金融分析拆成了一個多智能體協作流程。</p> <p>把它當作學習和研究工具，會比把它當作自動賺錢機器更合理。</p>