用 LLM 打造你的交易團隊：TradingAgents 框架全攻略 (給台灣交易人的入門指南)

嘿，各位台灣的交易高手們！ 你是否厭倦了每天盯盤、分析數據，卻總是錯失良機？ 又或者，你對AI在金融交易上的應用感到好奇，卻不知從何開始？ 這次，我要為大家介紹一個超酷的框架 – TradingAgents，它就像是你的專屬交易團隊，由AI驅動的「專家」們共同協作，幫助你做出更明智的交易決策！

什麼是 TradingAgents？

TradingAgents 是一個多智能體 (multi-agent) 交易框架。 簡單來說，它就像一個虛擬的交易公司，裡面有各種不同功能的AI「交易員」：

• 基本面分析師： 深入研究公司的財務報表、經營狀況，找出股票的內在價值。
• 情緒分析師： 透過分析社群媒體、新聞，掌握市場情緒，預測短期內的市場走向。
• 新聞分析師： 關注全球新聞和總體經濟指標，解讀事件對市場的影響。
• 技術分析師： 運用技術指標 (例如：MACD, RSI) 來觀察股價走勢，預測可能的價格變動。
• 研究團隊 (多頭/空頭)： 針對分析師的報告，進行辯論，綜合考量潛在收益與風險。
• 交易員： 根據以上資訊，做出交易決策，決定買入或賣出的時機與數量。
• 風險管理 & 投資組合經理： 評估投資組合的風險，並根據市場情況調整交易策略。

這些「交易員」並非單打獨鬥，而是透過 LangGraph (一個基於 LangChain 的框架) 相互溝通、協作，就像真實的交易團隊一樣，共同做出更全面的市場分析和更明智的交易決策。

請注意： TradingAgents 框架主要用於研究目的。 交易表現可能會受到多種因素影響，例如所選擇的 LLM 模型、溫度設定、交易時間、數據品質，以及其他非確定性因素。 它不應被視為財務、投資或交易建議。 （免責聲明）

為什麼要用 TradingAgents？ 給台灣交易人的獨特觀點

在台灣，我們有許多經驗豐富的交易者，也有許多對AI交易感興趣的新手。 TradingAgents 提供了一個絕佳的機會，讓大家可以：

• 快速入門 AI 交易： 無需從頭打造複雜的 AI 模型，TradingAgents 已經建構好了框架，你可以專注於理解其運作原理和調整策略。
• 探索不同 LLM 的應用： 你可以選擇不同的 LLM 模型 (例如：GPT-5, Gemini, Claude 等)，看看哪種模型在你的交易策略上表現最佳。
• 模擬真實交易環境： TradingAgents 模擬了真實的交易流程，讓你可以在沒有實際風險的情況下，測試你的交易策略。
• 優化交易策略： 透過觀察 AI 團隊的分析、決策過程，你可以更深入地了解市場，並優化你的交易策略。
• 享受 AI 科技的樂趣： 體驗 AI 科技的強大，並將其應用於你感興趣的領域，讓投資理財更有趣。

快速上手：TradingAgents 的安裝與使用

1. 安裝環境

首先，你需要安裝 Python 和 pip (Python 的套件管理工具)。 接著，跟著以下步驟：

1. Clone 程式碼： 在你的終端機 (Terminal) 輸入：

   git clone https://github.com/TauricResearch/TradingAgents.git
   cd TradingAgents
   

2. 建立虛擬環境： 為了避免套件之間的衝突，建議建立一個虛擬環境。 你可以使用 conda 或 venv：
   • 使用 conda (推薦)：

     conda create -n tradingagents python=3.13  # 建立名為 tradingagents 的虛擬環境，使用 Python 3.13 版本
     conda activate tradingagents           # 啟動虛擬環境
     

   • 使用 venv：

     python -m venv tradingagents         # 建立名為 tradingagents 的虛擬環境
     source tradingagents/bin/activate    # 啟動虛擬環境 (Linux/macOS)
     .\tradingagents\Scripts\activate     # 啟動虛擬環境 (Windows)
     

3. 安裝套件： 在啟動虛擬環境後，輸入：

   pip install .
   

2. 設定 API 金鑰

TradingAgents 需要使用 LLM 模型的 API 金鑰。 你可以選擇你喜歡的 LLM 供應商 (例如：OpenAI, Google, Anthropic 等)，並在環境變數中設定你的 API 金鑰：

export OPENAI_API_KEY=你的 OpenAI API 金鑰
export GOOGLE_API_KEY=你的 Google API 金鑰
export ANTHROPIC_API_KEY=你的 Anthropic API 金鑰
export XAI_API_KEY=你的 xAI API 金鑰 (如果有)
export OPENROUTER_API_KEY=你的 OpenRouter API 金鑰
export ALPHA_VANTAGE_API_KEY=你的 Alpha Vantage API 金鑰 (用於獲取股票數據)

或者，你可以複製 .env.example 檔案，並將其重新命名為 .env，然後填入你的 API 金鑰：

cp .env.example .env
# 用你自己的金鑰取代 .env 檔案中的 API 金鑰

小撇步： 建議使用 .env 檔案，這樣你的 API 金鑰就不會暴露在程式碼中。

3. 使用 CLI (命令列介面)

TradingAgents 提供了一個方便的 CLI (命令列介面)，讓你輕鬆上手。

1. 啟動 CLI： 在終端機中輸入：

   tradingagents          # 已經安裝好的指令
   python -m cli.main     # 或者，直接從原始碼執行
   

2. 設定交易參數： 接著，你將看到一個互動式介面，可以設定以下參數：
   • 股票代碼 (Ticker)： 你想分析的股票代碼，例如：NVDA (NVIDIA)。
   • 分析日期 (Analysis Date)： 你希望 AI 進行分析的日期，例如：2026-01-15。
   • LLM 供應商 (LLM Provider)： 你想使用的 LLM 供應商，例如：openai (OpenAI)。
   • 研究深度 (Research Depth)： 影響 AI 分析的複雜程度。
   • 其他選項： 像是 LLM 模型選擇、辯論回合數等。

   

3. 觀察 AI 交易團隊的運作： 介面會即時顯示 AI 交易團隊的分析結果，讓你了解每個角色是如何運作的。

   

   

4. 探索更多選項： 你可以在程式碼中調整預設的設定，例如選擇不同的 LLM 模型、修改辯論回合數等，來更深入地客製化你的交易策略。

深入探索：TradingAgents 的核心概念 (給有心進一步研究的你)

如果你對 TradingAgents 的運作原理有興趣，可以進一步了解以下核心概念：

1. LangGraph 的應用

TradingAgents 使用 LangGraph 作為框架。 LangGraph 是一個基於 LangChain 的框架，可以讓你建立複雜的 AI 工作流程。 透過 LangGraph，TradingAgents 能夠：

• 定義多個智能體： 就像搭樂高積木一樣，你可以定義不同的角色 (Analyst, Trader, Risk Manager 等)。
• 建立智能體之間的溝通與協作： 智能體可以透過訊息 (messages) 互相交流，就像真實的交易團隊一樣。
• 管理工作流程： LangGraph 可以管理智能體的執行順序，確保交易決策的流程順暢。

2. 智能體 (Agents) 的角色與互動

每個智能體都有其獨特的角色和任務。 讓我們更深入地了解它們的互動：

• 分析師團隊： 基本面、情緒、新聞、技術分析師會獨立地收集資料、分析市場，並提供各自的觀點。
• 研究團隊： 多頭和空頭研究員會仔細審視分析師的報告，並進行辯論，找出潛在的機會與風險。 這個環節非常重要，它確保了交易決策的全面性與平衡性。
• 交易員： 交易員會綜合分析師和研究團隊的意見，做出交易決策。 交易員會決定買入或賣出的時機與數量。
• 風險管理 & 投資組合經理： 風險管理團隊會持續監控市場風險，並評估交易策略的安全性。 投資組合經理會根據風險管理團隊的建議，批准或拒絕交易提案。

3. 配置與客製化

TradingAgents 提供了豐富的配置選項，讓你客製化你的交易體驗。 你可以在 tradingagents/default_config.py 中找到所有的配置選項，例如：

• llm_provider： 選擇 LLM 供應商 (openai, google, anthropic, xai, openrouter, ollama)。
• deep_think_llm： 用於複雜推理的 LLM 模型。
• quick_think_llm： 用於快速任務的 LLM 模型。
• max_debate_rounds： 辯論回合數，決定研究團隊辯論的次數。
• temperature： 控制 LLM 的隨機性 (值越大越隨機)。

個人實作心得： 在調整配置時，我建議從 llm_provider 和 temperature 開始嘗試。 不同的 LLM 模型在不同的股票和市場環境下，可能有截然不同的表現。 調整 temperature 可以影響 AI 的創造力和決策風格，嘗試不同的設定，你會發現 AI 團隊的風格變化，帶來意想不到的驚喜！

4. Python 程式碼範例 (進階)

如果你想在自己的 Python 程式碼中使用 TradingAgents，你可以這樣做：

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

# 建立 TradingAgentsGraph 物件
ta = TradingAgentsGraph(debug=True, config=DEFAULT_CONFIG.copy())

# 進行交易決策
_, decision = ta.propagate("NVDA", "2026-01-15")
print(decision)

程式碼解析：

1. 引入必要的模組： 引入 TradingAgentsGraph 和 DEFAULT_CONFIG。
2. 建立 TradingAgentsGraph 物件： 建立 TradingAgentsGraph 物件，你可以設定 debug=True 來查看更詳細的執行資訊。
3. 使用 .propagate() 函數： 使用 .propagate() 函數來啟動交易流程。 傳入股票代碼和分析日期。
4. 取得交易決策： .propagate() 函數會返回交易決策。

更進階的應用：

• 修改配置： 調整 config 字典，改變 LLM 模型、辯論回合數等。
• 整合到你的交易策略： 將 TradingAgents 的結果與你自己的策略結合。
• 資料視覺化： 建立圖表，將 TradingAgents 的分析結果視覺化。

錯誤排除指南 (Troubleshooting)

在使用 TradingAgents 的過程中，你可能會遇到一些問題。 以下是一些常見問題與解決方案：

• API 金鑰錯誤： 確保你已正確設定 API 金鑰，並且金鑰有效。 檢查你的環境變數是否正確，或者 .env 檔案是否已正確填寫。
• LLM 模型錯誤： 某些 LLM 模型可能無法使用，或者需要不同的參數。 嘗試使用不同的 LLM 模型，並檢查你的 API 供應商的文件，了解模型的要求。
• 網路連線問題： 確保你的網路連線穩定。 如果你使用本地模型，請確保你的 Ollama 或其他本地模型服務已啟動並正常運作。
• 套件版本衝突： 檢查你的 Python 環境中的套件版本是否相容。 嘗試更新或降級套件版本。
• 程式碼錯誤： 仔細檢查你的程式碼是否有錯誤。 使用 debug=True 可以幫助你找出問題所在。

個人實作心得： 在我使用 TradingAgents 的過程中，遇到最多的問題是 API 金鑰錯誤和 LLM 模型錯誤。 仔細檢查 API 金鑰，以及 LLM 供應商的文件，可以節省很多時間。 另外，使用 debug=True 可以更清楚地了解程式的執行流程，更容易找出問題。

貢獻與社群

TradingAgents 是一個開放原始碼的專案，歡迎大家貢獻。 你可以：

• 提交錯誤報告： 如果你發現了錯誤，請提交 issue。
• 提出功能建議： 如果你有新的想法，請提出建議。
• 貢獻程式碼： 如果你熟悉 Python 和 LangChain，你可以貢獻程式碼。
• 改善文件： 如果你覺得文件不夠清楚，可以協助改進。

此外，我們也鼓勵大家加入我們的社群 Tauric Research (https://tauric.ai/)，一起討論、學習 AI 交易的知識。

結論：開啟你的 AI 交易之旅！

TradingAgents 框架為台灣的交易人提供了一個絕佳的機會，讓你擁有一支由 AI 驅動的交易團隊，並在沒有實際風險的情況下探索 AI 交易的世界。 透過這個框架，你可以：

• 快速上手 AI 交易。
• 探索不同 LLM 模型。
• 模擬真實交易環境。
• 優化交易策略。
• 享受 AI 科技的樂趣。

立即開始你的 AI 交易之旅吧！ 如果你有任何問題，歡迎在下方留言，或者加入我們的社群一起討論！ 祝你在交易的世界中，旗開得勝！

參考閱讀

https://github.com/TauricResearch/TradingAgents

About the Author

n8n n8n

Administrator

View All Posts