# TradingAgents 学习与实盘策略集成审查

更新日期：2026-08-03  
参考项目：[TauricResearch/TradingAgents](https://github.com/TauricResearch/TradingAgents)  
论文：[TradingAgents: Multi-Agents LLM Financial Trading Framework](https://arxiv.org/pdf/2412.20138)

## 它是不是 Codex Skill

不是。该 GitHub 仓库是 Apache-2.0 许可的 Python/LangGraph 多智能体金融研究框架；仓库本身没有 Codex Skill 所需的 `SKILL.md` 工作流定义，也不是安装后即可安全控制券商的交易插件。

本次没有复制仓库代码，也没有把第三方框架包装成拥有下单权限的 Skill。我们学习并实现的是其可取的**研究组织结构**：让不同角色独立收集证据、提出多头观点、提出反方质疑，再由风险经理和组合经理汇总。

## 已放入 A 股实盘映射策略的部分

系统新增了六角色、可审计的研究委员会：

1. 技术分析：EMA20/60、VWAP、短时价格变化；
2. 流动性分析：分钟量、估算价差、容量；
3. 多头研究：检查趋势与流动性是否共同确认；
4. 空头研究：主动质疑折溢价、利率跳变、黄金定价错位和追涨；
5. 风险经理：拥有行情新鲜度、时段、价差、跳变、日亏和回撤的一票否决权；
6. 组合经理：只能批准数值模型已经计算出的目标仓位，不能扩大风险预算。

页面会按 510900、511010、518880 分别展示每个角色的 PASS、CAUTION 或 BLOCK、简短证据、最终 APPROVE/HOLD/VETO。所有结论都进入镜像账户状态，方便复核。

## 为什么没有让 LLM 直接买卖

TradingAgents 的价值主要在于标准化研究流程，而不是证明语言模型能够可靠地自主实盘盈利。论文中的实验窗口较短，每次预测还需要多次模型与工具调用；论文也把实时部署留作未来工作。LLM 输出还具有非确定性、提示注入、幻觉、数据遗漏、成本和延迟风险。

因此当前实盘映射采用以下权限隔离：

- 角色报告采用结构化、确定性计算，相同输入得到相同输出；
- AI 研究观点不能覆盖真实行情、数值信号、仓位上限、日亏线或最大回撤；
- 风险经理只会收紧或否决，不能放宽边界；
- 没有任何公开下单接口；中国券商适配器保持 `LOCKED`；
- 即使未来引入 LLM，它也只能生成研究材料和待人工复核的候选观点，不直接持有券商密钥。

## 没有集成的部分

- 未接入第三方项目默认的美国市场数据和新闻供应商；
- 未把其自然语言 BUY/SELL/HOLD 输出直接变成订单；
- 未使用其短期论文回测结果作为收益承诺；
- 未让多 Agent 自动改动仓位、熔断线或允许标的；
- 未在公网暴露运行任意提示词、代码或券商委托的入口。

## 结论

TradingAgents 不是现成 Codex Skill，也不应被视为自动盈利系统。它已经作为“研究委员会的设计来源”进入 A 股 T+0 准实盘策略：增加了角色分工、反方复核和风险否决，但没有获得下单权。真正连接中国券商前，仍须完成合规报告、券商级行情、接口验收、小资金验证和再次人工授权。