Ubuntu
19 KiB
TradingAgents 股票分析工作流程详解
一、一次分析的完整生命周期
当用户在 Web UI 输入 600362 并点击"分析"，系统会经历以下完整流程：
用户点击 [分析] → 后台异步任务 → 约 3-8 分钟后 → 输出交易决策
整个流程由 LangGraph StateGraph 驱动，状态在 15+ 个节点间流转。下面按执行顺序逐步拆解。
二、流程图
详细架构图: workflow-architecture.html
三、分阶段详解
阶段 1：请求接收与任务创建
入口: web_server.py → POST /api/analyze
用户输入: { ticker: "600362", date: "2026-04-30", analysts: [...], max_debate_rounds: 1 }
- 生成唯一的
task_id（格式:600362_20260505191807） - 创建任务记录写入
tasks_store（内存字典） - 通过 FastAPI
BackgroundTasks异步启动run_analysis_task() - 立即返回
{"task_id": "...", "status": "pending"} - 前端每 3 秒轮询
GET /api/task/{task_id}获取进度
阶段 2：Graph 初始化
文件: tradingagents/graph/trading_graph.py → TradingAgentsGraph.propagate()
# 1. 读取配置
config = get_config() # 默认 vendor: akshare
llm_name = config["llm_provider"] # DeepSeek
# 2. 初始化 LangGraph StateGraph
workflow = StateGraph(AgentState)
# 3. 按用户选择的分析师类型动态添加节点
# 可选: market, sentiment, news, fundamentals
# 默认: market + news
AgentState 中关键字段：
| 字段 | 初始值 | 说明 |
|---|---|---|
messages |
[] |
全流程消息日志 |
ticker |
"600362" |
股票代码 |
trade_date |
"2026-04-30" |
分析日期 |
company_name |
"" |
公司名称（初始为空） |
market_report |
"" |
市场分析报告 |
sentiment_report |
"" |
情绪分析报告 |
news_report |
"" |
新闻分析报告 |
fundamentals_report |
"" |
基本面报告 |
investment_plan |
"" |
投资决策草案 |
final_decision |
"" |
最终交易信号 |
current_debate_round |
0 |
当前辩论轮次 |
阶段 3：并行分析师采集（核心环节）
这是整个流程中数据量最大、耗时最长的阶段。四个分析师节点通过 LangGraph 的并行边同时启动。
3.1 市场分析师 (Market Analyst)
文件: tradingagents/agents/analysts/market_analyst.py
角色定位: 技术面专家
System Prompt 核心:
"You are a trading assistant agent with extensive market insight. Your task is to analyze market data using technical indicators."
执行的工具调用:
1. get_stock_data("600362", "2026-03-30", "2026-04-30")
→ 路线: route_to_vendor → akshare_data.get_stock_data()
→ 输出: 最近一个月 OHLCV 数据（~22条日K线）
2. get_indicators("600362", "rsi", "2026-04-30", 30)
3. get_indicators("600362", "macd", "2026-04-30", 30)
4. get_indicators("600362", "bollinger_bands", "2026-04-30", 30)
5. get_indicators("600362", "volume", "2026-04-30", 30)
... (最多调用 19 项技术指标中的 5-8 项关键指标)
指标清单（akshare_data.py 支持的全部 19 项）:
| 类别 | 指标 |
|---|---|
| 趋势类 | sma_20, ema_20, macd, adx |
| 动量类 | rsi, stochastic_oscillator, williams_r, cci |
| 波动类 | bollinger_bands, atr, standard_deviation |
| 成交量类 | obv, volume, volume_sma |
| 其他 | mfi, ppo, roc, triple_ema, vortex |
输出: 一份 800-1500 字的 Markdown 技术分析报告，含关键指标解读和趋势判断。
3.2 社交媒体分析师 (Social Media Analyst)
文件: tradingagents/agents/analysts/social_media_analyst.py
角色定位: 市场情绪雷达
执行的工具调用:
1. get_news("600362", "2026-04-01", "2026-05-04")
→ 路线: route_to_vendor → akshare_news.get_news()
→ 数据源: 东方财富个股新闻
→ 输出: 最近 15 天内与该股相关的新闻（最多50条）
输出: 一份舆情分析报告，提炼市场情绪信号（恐慌/贪婪/中性）。
3.3 新闻分析师 (News Analyst)
文件: tradingagents/agents/analysts/news_analyst.py
角色定位: 宏观政策雷达
System Prompt 核心:
"You are a news analyst agent with expertise in global macro trends. Your task is to analyze news related to the company and the broader economic landscape."
执行的工具调用:
1. get_news("600362", "2026-04-01", "2026-05-04")
→ 与社媒分析师相同的数据源，但解读角度不同
2. get_global_news("2026-05-04", look_back_days=7, limit=20)
→ 路线: route_to_vendor → akshare_news.get_global_news()
→ 数据源: CCTV 新闻联播文字稿
→ 输出: 宏观政策、经济事件摘要
输出: 一份包含个股新闻分析和宏观经济背景的综合报告。
3.4 基本面分析师 (Fundamentals Analyst)
文件: tradingagents/agents/analysts/fundamentals_analyst.py
角色定位: 价值投资者
System Prompt 核心:
"You are a fundamental analysis expert with deep knowledge of valuation methodologies. Your task is to analyze company fundamentals and financial health."
执行的工具调用 (共 4 次):
1. get_fundamentals("600362")
→ 数据: 公司概况、市盈率、市净率、总市值、流通股本等
2. get_balance_sheet("600362")
→ 数据: 最新一期资产负债表（总资产/负债/权益）
3. get_cashflow("600362")
→ 数据: 最新一期现金流量表（经营/投资/筹资现金流）
4. get_income_statement("600362")
→ 数据: 最新一期利润表（营收/成本/净利润/每股收益）
输出: 一份包含估值分析、财务健康度评分、盈利能力判断的基本面报告。
阶段 4：研究经理汇总
文件: tradingagents/graph/trading_graph.py → create_research_manager_node()
输入: 4份分析师报告（并行采集完成后的汇总）
处理: 研究经理 LLM 阅读所有报告，提取关键矛盾点
输出: 投资者简报 (investment briefing)
研究经理不产生独立决策，而是整理和总结分析师团队输出的核心信息，为下一阶段的辩论做准备。
阶段 5：多空辩论 (Debate)
文件: tradingagents/graph/trading_graph.py → create_debate_node() + debate_bull_researcher() + debate_bear_researcher()
这是框架的核心创新：用 LLM 模拟真实投资决策中的多空辩论。
辩论角色
| 角色 | 文件 | 立场 | 职责 |
|---|---|---|---|
| Bull Researcher | agents/researchers/bull_researcher.py |
多头 | 找出所有支撑买入的论据 |
| Bear Researcher | agents/researchers/bear_researcher.py |
空头 | 找出所有支撑卖出的论据 |
| Debate Judge | agents/managers/research_manager.py |
裁判 | 评估双方论据，判断胜负 |
辩论流程
轮次 1:
Bull → 提出 3-5 个多方论点（基于分析师报告）
Bear → 反驳多方论点 + 提出 3-5 个空方论点
Judge → 评估双方论据质量，判断本轮是否分出胜负
轮次 2 (如果裁判认为需要继续):
Bull → 回应空方反驳 + 补充新论点
Bear → 回应多方回应 + 强化空方论点
Judge → 再次评估
... 直到 max_debate_rounds 耗尽或裁判判定胜负
关键: max_debate_rounds 在配置中可调，默认 1 轮。每增加一轮，LLM 调用次数翻倍，总耗时显著增长。
辩论输出
- 辩论完整记录（谁说了什么）
- 裁判的最终评估（多方胜/空方胜/平局）
阶段 6：交易员决策
文件: tradingagents/agents/trader/trader_agent.py
System Prompt 核心:
"You are a professional trader agent. Based on the analysts' reports and debate results, make a trading decision."
输入:
- 4 份分析师报告
- 辩论摘要（裁判评估）
处理: 交易员 LLM 综合所有证据，形成投资决策草案
输出: investment_plan — 包含：
- 决策方向（Buy/Sell/Hold）
- 置信度评估
- 关键依据
- 风险提示
阶段 7：三级风控评审
文件: tradingagents/graph/trading_graph.py → create_risk_analysis_node() + 三个风控 agent
这是项目的第二道安全阀：交易员的决策必须通过风控审查。
| 风控角色 | 文件 | 风格 | 关注点 |
|---|---|---|---|
| Aggressive | agents/risk_mgmt/aggressive_debator.py |
激进 | 机会最大化，风险容忍度较高 |
| Conservative | agents/risk_mgmt/conservative_debator.py |
保守 | 本金安全第一，宁可错过不做错 |
| Neutral | agents/risk_mgmt/neutral_debator.py |
中立 | 平衡收益与风险 |
流程
交易员输出投资草案
│
├→ Aggressive 评估 → "风险可接受，建议执行"
├→ Conservative 评估 → "风险过高，建议降低仓位"
└→ Neutral 评估 → "风险适中，可执行但需设置止损"
│
└→ Risk Judge 汇总三个评估 → 最终裁定
Risk Judge 文件: tradingagents/agents/managers/risk_manager.py — 综合三方意见，给出最终风控建议。
注意: 风控评审是一个循环 — 如果 final_decision 为空（未达成一致），图会回到交易员节点重新决策。
阶段 8：最终输出
经过以上所有阶段后，系统输出：
{
"ticker": "600362",
"date": "2026-04-30",
"company_name": "江西铜业",
"market_report": "...", # 技术分析报告
"sentiment_report": "...", # 情绪分析报告
"news_report": "...", # 新闻分析报告
"fundamentals_report": "...", # 基本面报告
"investment_plan": "...", # 交易决策草案
"debate_log": "...", # 辩论记录
"final_decision": "BUY", # 最终交易信号: BUY / SELL / HOLD
"risk_assessment": "...", # 风控评估
"messages": [...] # 全流程消息日志
}
四、完整节点流转图（Graph 内部）
┌──────────────┐
│ START │
└──────┬───────┘
│
┌────────────────┼────────────────┐
▼ ▼ ▼ ▼
┌────────────┐ ┌────────────┐ ┌────────────┐ ┌────────────┐
│mkt_start │ │snt_start │ │nws_start │ │fnd_start │
└─────┬──────┘ └─────┬──────┘ └─────┬──────┘ └─────┬──────┘
▼ ▼ ▼ ▼
┌────────────┐ ┌────────────┐ ┌────────────┐ ┌────────────┐
│mkt_analyst │ │snt_analyst │ │nws_analyst │ │fnd_analyst │
│(LLM分析) │ │(LLM分析) │ │(LLM分析) │ │(LLM分析) │
└─────┬──────┘ └─────┬──────┘ └─────┬──────┘ └─────┬──────┘
▼ ▼ ▼ ▼
┌────────────┐ ┌────────────┐ ┌────────────┐ ┌────────────┐
│mkt_tools │ │snt_tools │ │nws_tools │ │fnd_tools │
│(调用数据) │ │(调用数据) │ │(调用数据) │ │(调用数据) │
└─────┬──────┘ └─────┬──────┘ └─────┬──────┘ └─────┬──────┘
▼ ▼ ▼ ▼
┌────────────┐ ┌────────────┐ ┌────────────┐ ┌────────────┐
│mkt_cond │ │snt_cond │ │nws_cond │ │fnd_cond │
│(if 需继续) │ │(if 需继续) │ │(if 需继续) │ │(if 需继续) │
└─────┬──────┘ └─────┬──────┘ └─────┬──────┘ └─────┬──────┘
│ │ │ │
└────────────────┼────────────────┼────────────────┘
▼
┌──────────────┐
│ invest_judge │ (研究经理汇总)
└──────┬───────┘
│
┌───────────┴───────────┐
▼ ▼
┌────────────┐ ┌────────────┐
│bull_resrch │ │bear_resrch │
│(多方) │ │(空方) │
└─────┬──────┘ └─────┬──────┘
│ │
└──────────┬───────────┘
▼
┌──────────────┐
│ invest_judge │ (辩论裁判评估)
└──────┬───────┘
│ (if 辩论未结束 → 回到 bull/bear)
▼
┌──────────────┐
│ trader │ (交易员决策)
└──────┬───────┘
▼
┌──────────────┐
│trader_tools │ (可能需要查询数据)
└──────┬───────┘
│
┌──────────────┼──────────────┐
▼ ▼ ▼
┌──────────┐ ┌──────────────┐ ┌──────────┐
│aggressive│ │conservative │ │ neutral │
│ 风控 │ │ 风控 │ │ 风控 │
└────┬─────┘ └──────┬───────┘ └────┬─────┘
│ │ │
└────────────────┼────────────────┘
▼
┌──────────────┐
│ risk_judge │ (风控终审)
└──────┬───────┘
│ (if 未通过 → 回到 trader)
▼
┌──────────────┐
│ final │ (输出结果)
└──────────────┘
五、关键数据流路径
以"600362 市场分析"为例，追踪一次数据调用的完整路径：
1. Market Analyst LLM 决定调用 get_stock_data("600362", ...)
2. LangChain @tool 装饰器触发
→ agents/utils/core_stock_tools.py:28
3. 内部调用 route_to_vendor("get_stock_data", "600362", ...)
→ dataflows/interface.py:140
4. route_to_vendor 读取 config["data_vendors"]["core_stock_data"]
→ {"primary": "akshare"}
5. 按 priority 顺序尝试:
a) akshare → akshare_data.get_stock_data("600362", ...)
- 检测 "600362" 是6位数字 → 路由到 A 股接口
- 调用 ak.stock_zh_a_hist(symbol="600362", period="daily", ...)
- 格式化 DataFrame → Markdown 表格字符串
- 成功！返回数据 ✓
6. route_to_vendor 获得 Markdown 字符串 → 返回给 tool
7. tool 将数据嵌入 LLM context
8. Market Analyst LLM 收到数据，生成技术分析报告
9. 报告写入 state.market_report
如果第5步 akshare 失败，route_to_vendor 会自动尝试 yfinance，再失败尝试 alpha_vantage，完全透明，LLM 无感知。
六、耗时分布估算
基于 DeepSeek 推理速度的单次分析耗时（仅供参考）:
| 阶段 | LLM 调用次数 | 数据API调用 | 耗时估算 |
|---|---|---|---|
| 并行分析师（4个） | 8-16次 (LLM + tool) | 8-15次 | 90-180秒 |
| 研究经理汇总 | 1次 | 0 | 10-20秒 |
| 辩论（1轮） | 3次 (Bull/Bear/Judge) | 0 | 30-60秒 |
| 交易员决策 | 1次 | 0-2次 | 15-30秒 |
| 三级风控 | 4次 (3风控+1裁判) | 0 | 40-80秒 |
| 合计 | 17-25次 | 8-17次 | 3-6分钟 |
注意: 如果
max_debate_rounds设为 2 或更多，辩论耗时翻倍。数据源的 Rate Limit 状况也会影响实际耗时。
七、与原始实现的关键差异
本项目基于开源 TradingAgents 框架，做了以下适应性修改（详见架构文档）：
| 差异点 | 原始实现 | 当前实现 |
|---|---|---|
| 数据源 | yfinance 为主 | akshare 为主，yfinance 降级为 fallback |
| A股行情 | 不稳定，频繁 Rate Limit | ✅ 稳定，不限流 |
| A股财务数据 | ❌ | ✅ 三大报表完整 |
| 新闻源 | 英文（yfinance news） | ✅ 中文（东方财富 + CCTV） |
| 港股支持 | 部分 | ✅ 完整 |
| Web UI | ❌ 无 | ✅ FastAPI + 前端面板 |
| 部署 | 脚本手动运行 | ✅ systemd 服务自动管理 |
八、配置调优建议
通过修改 default_config.py 或运行时 set_config() 可调整的参数：
| 参数 | 默认值 | 建议范围 | 说明 |
|---|---|---|---|
max_debate_rounds |
1 | 1-3 | 辩论轮次，越多越深度但越慢 |
data_vendors.*.primary |
"akshare" |
"akshare" / "yfinance" |
主数据源 |
llm_provider |
"deepseek" |
— | LLM 后端 |
quick_thinking |
False |
True / False |
True 使用 fast model，速度更快精度略低 |
九、监控与调试
查看服务日志
journalctl -u tradingagents.service -f
查看分析任务状态
curl http://129.211.173.87:8500/api/task/{task_id}
重启服务
sudo systemctl restart tradingagents.service