Fei Xiong1,2 ★ Xiang Zhang3 ★ Aosong Feng4 Siqi Sun5 Chenyu You1
1 Stony Brook University
2 Carnegie Mellon University
3 University of British Columbia
4 Yale University
5 Fudan University
★ Equal Contribution
一个复杂的多智能体交易分析系统，结合了技术指标、模式识别和趋势分析，使用 LangChain 和 LangGraph。该系统提供网络界面和程序化访问，用于全面的市场分析。
• 计算一套技术指标——包括用于评估动量极值的 RSI、用于量化收敛-发散动态的 MACD，以及用于测量收盘价相对于最近交易范围的随机振荡器——在每个传入的 K 线上，将原始 OHLC 数据转换为精确的、信号就绪的指标。
• 在模式查询时，模式智能体首先绘制最近的价格图表，识别其主要高点、低点和总体上升或下降走势，将该形状与一组熟悉的模式进行比较，并返回最佳匹配的简短、通俗语言描述。
• 利用工具生成的带注释的 K 线图表，叠加拟合的趋势通道——追踪最近高点和低点的上下边界线——来量化市场方向、通道斜率和盘整区域，然后提供当前趋势的简洁、专业的总结。
• 综合指标、模式、趋势和风险智能体的输出——包括动量指标、检测到的图表形态、通道分析和风险-回报评估——制定可操作的交易指令，明确指定做多或做空头寸、推荐的入场和出场点、止损阈值，以及基于每个智能体发现的简洁理由。
基于 Flask 的现代网络应用程序，具有：
- 来自雅虎财经的实时市场数据
- 交互式资产选择（股票、加密货币、商品、指数）
- 多时间框架分析（1分钟到1天）
- 动态图表生成
- API 密钥管理
conda create -n quantagents python=3.10
conda activate quantagentspip install -r requirements.txt如果您遇到 TA-lib-python 的问题，请尝试：
conda install -c conda-forge ta-lib或访问 TA-Lib Python 仓库 获取详细的安装说明。
您可以在我们的网络界面中稍后设置它，
或将其设置为环境变量：
export OPENAI_API_KEY="your_api_key_here"我们使用 LangGraph 构建 QuantAgents 以确保灵活性和模块化。我们使用 gpt-4o 和 gpt-4o-mini 作为我们的深度思考和快速思考 LLM 进行实验。但是，出于测试目的，我们建议您使用 gpt-4o-mini 来节省成本，因为我们的框架会进行大量 API 调用。
重要说明：我们的模型需要一个可以接受图像输入的 LLM，因为我们的智能体会生成和分析视觉图表以进行模式识别和趋势分析。
要在代码中使用 QuantAgents，您可以导入 trading_graph 模块并初始化 TradingGraph() 对象。.invoke() 函数将返回全面的分析。您可以运行 web_interface.py，这里也有一个快速示例：
from trading_graph import TradingGraph
# 初始化交易图
trading_graph = TradingGraph()
# 使用您的数据创建初始状态
initial_state = {
"kline_data": your_dataframe_dict,
"analysis_results": None,
"messages": [],
"time_frame": "4hour",
"stock_name": "BTC"
}
# 运行分析
final_state = trading_graph.graph.invoke(initial_state)
# 访问结果
print(final_state.get("final_trade_decision"))
print(final_state.get("indicator_report"))
print(final_state.get("pattern_report"))
print(final_state.get("trend_report"))您还可以调整默认配置以设置您自己的 LLM 选择、分析参数等。
from trading_graph import TradingGraph
from default_config import DEFAULT_CONFIG
# 创建自定义配置
config = DEFAULT_CONFIG.copy()
config["agent_llm_model"] = "gpt-4o-mini" # 为智能体使用不同的模型
config["graph_llm_model"] = "gpt-4o" # 为图逻辑使用不同的模型
config["agent_llm_temperature"] = 0.2 # 调整智能体的创造力水平
config["graph_llm_temperature"] = 0.1 # 调整图逻辑的创造力水平
# 使用自定义配置初始化
trading_graph = TradingGraph(config=config)
# 使用自定义配置运行分析
final_state = trading_graph.graph.invoke(initial_state)对于实时数据，我们建议使用网络界面，因为它通过 yfinance 提供对实时市场数据的访问。系统会自动获取最近 30 个蜡烛图以获得最佳的 LLM 分析准确性。
系统支持以下配置参数：
agent_llm_model：单个智能体的模型（默认："gpt-4o-mini"）graph_llm_model：图逻辑和决策制定的模型（默认："gpt-4o"）agent_llm_temperature：智能体响应的温度（默认：0.1）graph_llm_temperature：图逻辑的温度（默认：0.1）
注意：系统使用默认的令牌限制进行综合分析。不应用人工令牌限制。
您可以在 default_config.py 中查看完整的配置列表。
python web_interface.py网络应用程序将在 http://127.0.0.1:5000 可用
- 资产选择：从可用的股票、加密货币、商品和指数中选择
- 时间框架选择：分析从 1 分钟到每日间隔的数据
- 日期范围：为分析选择自定义日期范围
- 实时分析：获得带有可视化的全面技术分析
- API 密钥管理：通过界面更新您的 OpenAI API 密钥
- Fork 仓库
- 创建功能分支
- 进行更改
- 如果适用，添加测试
- 提交拉取请求
本项目采用 MIT 许可证 - 详情请参阅 LICENSE 文件。
@article{xiong2025quantagent,
title={QuantAgent: Price-Driven Multi-Agent LLMs for High-Frequency Trading},
author={Fei Xiong and Xiang Zhang and Aosong Feng and Siqi Sun and Chenyu You},
journal={arXiv preprint arXiv:2509.09995},
year={2025}
}
此仓库基于 LangGraph、OpenAI、yfinance、Flask、TechnicalAnalysisAutomation 和 tvdatafeed 构建。
此软件仅供教育和研究目的使用。它不旨在提供财务建议。在做出投资决策之前，请始终进行自己的研究并考虑咨询财务顾问。
-
TA-Lib 安装：如果您遇到 TA-Lib 安装问题，请参考官方仓库获取平台特定的说明。
-
OpenAI API 密钥：确保您的 API 密钥在环境中或通过网络界面正确设置。
-
数据获取：系统使用雅虎财经获取数据。某些符号可能不可用或历史数据有限。
-
内存问题：对于大型数据集，考虑减少分析窗口或使用较小的时间框架。
如果您遇到任何问题，请：
- 检查上面的故障排除部分
- 查看控制台中的错误消息
- 确保所有依赖项都正确安装
- 验证您的 OpenAI API 密钥有效且有足够的积分
如有问题、反馈或合作机会，请联系：