🌐 Language: 简体中文 | English
基于 TauricResearch/TradingAgents 二次开发的多智能体 LLM 金融交易决策框架。 通过 硬纪律 + 软判断的混合架构，把 LLM 的对抗性分析能力和代码层的风控兜底结合起来，实现可复现、低回撤的趋势交易决策。
| 策略 | 累计收益 | 最大回撤 |
|---|---|---|
| TradeHive Multi-Agent | +43.9% | -3.2% |
| RSI 策略 | +53.5% | -15.2% |
| Momentum 策略 | +35.2% | -19.5% |
| Buy & Hold (NVDA) | +25.2% | -32.7% |
| Single-Agent LLM | +15.6% | -7.7% |
核心观察：在面对 NVDA 这种 2 月底 -30% 暴跌、5 月开始强反弹的剧烈行情中，TradeHive 把回撤压在 -3.2%（B&H 的 1/10），同时全程跑赢 B&H 18.7 个百分点。
NVDA 表上 TradeHive 的累计收益（+43.9%）介于 RSI（+53.5%）和 Momentum（+35.2%）之间。差距来自两点：
- 仓位没有打满：默认配置下 confirmed_uptrend 的仓位区间是 75–100%，回测期间峰值约 90%，并非全程满仓。把上限放宽或在主升段更激进，收益会显著提升（详见 DEV_SPEC.md §5.9 和 §6.1）
- 设计上偏右侧入场：状态机的硬门槛让 confirmed_uptrend 进入晚于绝对最低点——这是与 RSI/Momentum 这类瞬时信号策略的根本取舍
但同等性能下，TradeHive 具备传统纯技术策略不具备的优势：
- 风险控制是质的领先：最大回撤 -3.2%，是 RSI 的 1/5、Momentum 的 1/6、B&H 的 1/10——稳定性远高于"高收益高波动"的指标策略
- 多维信号融合：技术面只是 5 个分析师之一，还纳入了基本面、宏观、新闻、情绪。RSI/Momentum 是纯价量信号，在基本面恶化或重大事件冲击时会失效
- 决策可解释：每一日的 reasoning、entry thesis、风险辩论记录完整可审计，方便事后归因；指标策略只能告诉你"信号触发了"
- 可泛化到新标的：换 ticker（如 META 实测）不需要重新调参，传统策略往往需要按标的微调阈值
- 能处理非量化信息：insider transactions、新闻事件、宏观转向等无法被 RSI/Momentum 编码的信息，会被融入 Bull/Bear 的对抗评估
| 指标 | TradeHive | Buy & Hold |
|---|---|---|
| 累计收益 | +15.02% | +6.55% |
| 年化收益 | +37.02% | +13.41% |
| Sharpe Ratio | 1.66 | 0.50 |
| Sortino Ratio | 3.28 | 0.86 |
| 最大回撤 | -5.68% | -30.19% |
| Calmar Ratio | 5.64 | 0.44 |
| 日胜率 | 36.5% | — |
| 总交易次数 | 33 | — |
说明：仓位偏好可在 Trader/PM 节点的 prompt 与代码层
REGIME_POSITION_LIMITS中自由调整；以上结果使用默认的 confirmed_uptrend 75-100% 区间。
大模型在金融决策中最大的两个问题是：
- 幻觉——说出听起来合理但事实错误的论点
- 指令遵循不精确——要求 confirmed_downtrend 空仓，LLM 还是会想建仓 20%
原项目把所有决策都交给 LLM，结果是不可复现、风控失效、日频决策崩溃。TradeHive 的核心设计是把有数学定义的约束硬编码，把需要综合判断的部分留给 LLM。
| 层级 | 谁负责 | 内容 |
|---|---|---|
| 硬纪律层 | 代码兜底 | 状态机合法转换、confirmed 进入/退出 6 选 5 / 5 选 4 阈值、regime → 仓位区间 clamp、字段顺序约束（驱动 KV cache 推理顺序） |
| 软判断层 | LLM | 4 维 evidence 提炼、反转信号识别、Bull/Bear 对抗评估、风险三方辩论、仓位微调 |
这种分工让 LLM 的不可靠部分被代码约束在可接受范围内，同时保留了 LLM 在多维信息综合上的能力——这是 TradeHive 与"全 LLM"和"全规则"两类系统的根本差异。
- 5 个分析师节点并行（Market / Sentiment / News / Fundamentals / Macro），新增 Macro 节点从公司视角评估宏观影响
- 支持日频回测：替换数据源、本地数据缓存（默认 5 年），决策可复现
- 7-regime 状态机 + 代码层硬兜底：confirmed state 难进难出，避免单日噪音误判
- 连续仓位管理：从 Buy/Sell/Hold 三选一升级为 0–100% 目标仓位，支持加减仓、试探建仓
- 残差连接机制：跨日传递 entry thesis + daily deltas，让 Research Manager 在历史推理基础上做增量判断
- 结构化输出 + 重试：Bull/Bear/RM/Trader/PM 全部使用 Pydantic schema 校验 + ValidationError 反馈重试
- Prompt 推理顺序工程：通过 JSON schema 字段顺序约束 KV cache，使反转信号、扣分推理在分数之前生成
- 双层 regime clamp：Trader 和 PM 各做一次
REGIME_POSITION_LIMITS截断，确保 LLM 越界值被强制修正
| 维度 | 原 TradingAgents | TradeHive |
|---|---|---|
| 决策粒度 | 仅输出 5 级 rating | 0–100% 连续目标仓位 |
| 仓位管理 | 完全靠 LLM 脑补 | regime 决定区间，代码 clamp 兜底 |
| 决策频率 | 仅支持低频（隔 5 天） | 支持日频 |
| 分析师执行 | 串行 4 个 | 并行 5 个（新增 Macro） |
| 数据源 | 实时快照（无法回测） | 替换数据源 + 本地缓存（5 年） |
| 持仓上下文 | Agent 不知道当前持仓 | 完整持仓快照注入每日决策 |
| 跨日连贯性 | 仅传 prev_regime 标签 |
残差连接：entry thesis + daily deltas |
| Confirmed 进入/退出 | 无门槛 | 6 选 5 / 5 选 4 硬阈值 |
| 输出格式 | 自由文本 | structured output + 重试 |
| NVDA 同期表现 | 最大回撤 -30%+（无法响应 2-14 起的连续下探）；多次回测累计收益波动巨大、不可复现 | 最大回撤 -3.2%，多次回测进入/退出节点稳定 |
详细对照见 DEV_SPEC.md §6.3。
flowchart TD
START([START])
%% ===== 第一阶段：5 个分析师并行（Fan-out） =====
START --> MA & SA & NA & FA & MCA
subgraph Analysts[" "]
direction LR
MA["① Market Analyst<br/>(quick_think)"]
SA["② Sentiment Analyst<br/>(quick_think)"]
NA["③ News Analyst<br/>(deep_think)"]
FA["④ Fundamentals Analyst<br/>(quick_think)"]
MCA["⑤ Macro Analyst<br/>(quick_think)"]
end
style Analysts fill:transparent,stroke:transparent
MA & SA & NA & FA & MCA --> AGG["Analyst Aggregator<br/>(clean messages)"]
%% ===== 第二阶段：Bull/Bear 并行结构化评估（无工具，无辩论） =====
AGG --> Bull["Bull Researcher<br/>(deep_think)<br/>→ BullBearEvaluation JSON"]
AGG --> Bear["Bear Researcher<br/>(deep_think)<br/>→ BullBearEvaluation JSON"]
Bull --> RM["Research Manager<br/>(deep_think)"]
Bear --> RM
%% ===== 第三阶段：Regime 判定 + 交易计划 =====
RM --> Trader["Trader<br/>(deep_think)"]
%% ===== 第四阶段：风控辩论（无工具） =====
Trader --> Agg["Aggressive Analyst<br/>(quick_think)"]
Agg -->|"< max_rounds"| Con["Conservative Analyst<br/>(quick_think)"]
Agg -->|"≥ max_rounds"| PM["Portfolio Manager<br/>(deep_think)"]
Con -->|"< max_rounds"| Neu["Neutral Analyst<br/>(quick_think)"]
Con -->|"≥ max_rounds"| PM
Neu -->|"< max_rounds"| Agg
Neu -->|"≥ max_rounds"| PM
%% ===== 输出 =====
PM --> END([END])
每个节点的详细职责见 DEV_SPEC.md §2.1。
confirmed_uptrend → topping
early_uptrend → confirmed_uptrend / consolidation
consolidation → early_uptrend / early_downtrend
topping → consolidation / early_downtrend / early_uptrend
early_downtrend → confirmed_downtrend / consolidation
confirmed_downtrend → bottoming
bottoming → consolidation / early_uptrend / early_downtrend
| Regime | 仓位区间 | 意图 |
|---|---|---|
| confirmed_uptrend | 75–100% | 强势趋势，重仓 |
| early_uptrend | 30–60% | 趋势确认中，试探 |
| consolidation | 0–15% | 震荡期，观望为主 |
| topping | 20–40% | 顶部区域，减仓 |
| early_downtrend | 0–10% | 趋势恶化，撤退 |
| confirmed_downtrend | 0% 硬锁 | 完全空仓 |
| bottoming | 5–20% | 底部试探建仓 |
Trader 和 PM 节点都会做一次
REGIME_POSITION_LIMITSclamp，确保 LLM 越界值被强制截断并重写 action 标签。
详细 confirmed 进入/退出阈值、残差连接机制等见 DEV_SPEC.md §5；NVDA 整个回测期的每日 Bull/Bear 打分 + regime 切换实录（用于验证 6 选 5 / 5 选 4 硬阈值真实生效）见 DEV_SPEC.md §6.2。
- Python ≥ 3.10
- 任一 LLM provider API Key：OpenAI / Anthropic / Google / xAI / OpenRouter
- 数据源 API Key：Alpha Vantage（免费申请）
git clone https://github.com/Handshakeworm/TradeHive-TradingAgents.git
cd TradeHive-TradingAgents
# 安装依赖（推荐使用虚拟环境）
pip install -e .
# 配置环境变量
cp .env.example .env
# 编辑 .env，填入对应 API Key系统使用 两档模型：
deep_think_llm：用于 News Analyst、Bull / Bear Researcher、Research Manager、Trader、Portfolio Manager 等需要长上下文 + 结构化推理的节点quick_think_llm：用于 Market / Sentiment / Fundamentals / Macro 4 个 Analyst、3 方 Risk Debate（Aggressive / Conservative / Neutral）、Reflector、Signal Processor 等节点
在 main.py 或 tradingagents/default_config.py 中配置：
config["llm_provider"] = "openrouter" # openai / anthropic / google / xai / openrouter
config["backend_url"] = "https://openrouter.ai/api/v1"
config["deep_think_llm"] = "deepseek/deepseek-v3.2"
config["quick_think_llm"] = "xiaomi/mimo-v2-flash"README 中所有回测结果均使用以下配置：
llm_provider=openrouter，deep_think_llm=deepseek/deepseek-v3.2，quick_think_llm=xiaomi/mimo-v2-flash，max_risk_discuss_rounds=1。 更换 provider/模型后，结果可能与 README 数字存在差异。
main.py 中已配置好默认的 NVDA 回测示例（2025-02-20 ~ 2025-08-20）：
python main.py输出包含：交易日数、初始资金、最终资产、累计收益率。
from tradingagents.graph.trading_graph import TradingAgentsGraph
from tradingagents.default_config import DEFAULT_CONFIG
config = DEFAULT_CONFIG.copy()
ta = TradingAgentsGraph(
selected_analysts=["market", "sentiment", "news", "fundamentals", "macro"],
config=config,
)
_, decision = ta.propagate("NVDA", "2024-05-10")
print(decision)
⚠️ 默认所有情况下自带的 memory 功能都是关闭的。
诚实地标注一下当前系统的边界，方便使用者评估是否适用于自己的场景：
- 成本与延迟：每日决策需调用 5 个分析师 + Bull/Bear + RM + Trader + 3 个风控辩论员 + PM，单日 token 消耗较高，6 个月回测时间成本非可忽略
- 趋势导向，不适合短期反转股：系统按"主升/主跌难进难出"设计，对于非长趋势、可能快速反转的标的，confirmed regime 的右侧识别会牺牲一些利润
- 偏右侧入场：状态机的硬门槛设计让系统优先求稳，confirmed_uptrend 进入会迟于绝对最低点。如果想做到更敏锐识别，可微调阈值/prompt，但可能在别处把握不住利润
regime_daily_deltas无长度截断：当前实现下一个长 regime（如 60+ 天的 confirmed_uptrend）的 daily_deltas 累积可能达到数千字符，完整传入 RM prompt 会推高每日 token 成本- LLM 打分存在随机性：完整或分段测试中进入/退出节点是稳定的，但单日打分存在随机波动。下游的代码硬阈值校验和 clamp 机制可缓解但不能消除这一点
- 暂未覆盖的场景：crypto 与多标的 portfolio 仍在拓展中（见 DEV_SPEC.md §7），鲁棒性测试需要更多市场环境验证
- DEV_SPEC.md — TradeHive 完整设计文档（节点改造、回测引擎、状态机、残差连接、回测评估等）
- DEV_SPEC_original.md — 原 TradingAgents 项目的设计文档，了解 baseline 架构
本项目以 Apache License 2.0 发布，与原项目 TauricResearch/TradingAgents 保持一致。允许商业使用、修改、分发，需保留版权与许可证声明。
本项目改编自 TauricResearch/TradingAgents — Multi-Agents LLM Financial Trading Framework。原项目作为 multi-agent 设计的优秀起点，激发了本项目的诸多改造方向，特此致谢。