Implantação e Prática do TradingAgents: Construindo sua Equipe de Trading Quantitativo com IA

March 21, 2026

WARNING

O framework TradingAgents destina-se apenas a fins de pesquisa. O desempenho do trading é afetado por vários fatores, incluindo o modelo de linguagem selecionado, a temperatura do modelo, o ciclo de negociação, a qualidade dos dados, etc. Este framework não constitui aconselhamento financeiro, de investimento ou de trading.

Você já se perguntou como seria ter uma equipe de IA ajudando você a tomar decisões de investimento?

Hoje vamos falar sobre o TradingAgents, um framework de código aberto que permite construir uma "equipe de trading quantitativo de IA". Ele simula o fluxo de trabalho de uma instituição financeira real: pesquisadores investigam, analistas escrevem relatórios, a equipe de gestão de risco avalia os riscos e, finalmente, o trader executa a ordem.

Parece legal? Vamos começar.

Público-alvo

Este artigo é voltado para colegas técnicos com 1 a 5 anos de experiência em desenvolvimento. Você precisará de:

  • Conhecimentos básicos de Python e capacidade de entender código
  • Curiosidade sobre AI Agents e sistemas multi-agentes
  • Vontade de experimentar o uso de IA para auxiliar na tomada de decisões de investimento (mas não trate isso como um conselho financeiro real)

Dependências Principais e Ambiente

Primeiro, veja o que é necessário para rodar:

  • Python: 3.10 ou superior
  • Gerenciamento de Ambiente: Recomendado Anaconda ou venv
  • Provedores de LLM: OpenAI (GPT), Google (Gemini), Anthropic (Claude), xAI (Grok), OpenRouter, Ollama (modelos locais)
  • Fonte de Dados: Alpha Vantage (dados de ações, notícias, indicadores)
  • Framework Principal: LangGraph (orquestração multi-agente)

TIP

Se você quer apenas ver os resultados primeiro, o modo CLI não exige escrita de código, tornando a barreira de entrada muito baixa.

Estrutura do Projeto

TradingAgents/
├── cli/                           # Interface de linha de comando
│   └── main.py                    # Ponto de entrada
├── tradingagents/
│   ├── agents/
│   │   ├── analysts/              # Equipe de analistas
│   │   │   ├── fundamentals_analyst.py   # Análise fundamentalista
│   │   │   ├── market_analyst.py         # Análise de mercado
│   │   │   ├── news_analyst.py           # Análise de notícias
│   │   │   └── social_media_analyst.py   # Sentimento em redes sociais
│   │   ├── researchers/            # Equipe de pesquisadores
│   │   │   ├── bull_researcher.py        # Pesquisador otimista (Bull)
│   │   │   └── bear_researcher.py        # Pesquisador pessimista (Bear)
│   │   ├── trader/                 # Trader
│   │   │   └── trader.py
│   │   ├── risk_mgmt/              # Equipe de gestão de risco
│   │   │   ├── aggressive_debator.py
│   │   │   ├── conservative_debator.py
│   │   │   └── neutral_debator.py
│   │   └── managers/
│   │       ├── research_manager.py
│   │       └── risk_manager.py
│   ├── dataflows/                  # Fluxos de dados
│   │   ├── alpha_vantage_*.py     # Dados da Alpha Vantage
│   │   └── y_finance.py           # Dados do Yahoo Finance
│   ├── graph/                      # Estrutura de grafo LangGraph
│   │   └── trading_graph.py
│   └── llm_clients/                # Clientes LLM
│       ├── anthropic_client.py
│       ├── google_client.py
│       └── factory.py
├── main.py                         # Ponto de entrada de chamada Python
└── test.py                         # Casos de teste

Esta estrutura é muito clara: o diretório agents armazena vários papéis de IA, o dataflows é responsável pela aquisição de dados e o graph conecta esses papéis em um fluxo de trabalho.

Passos de Implantação Passo a Passo

1. Clonar Projeto e Criar Ambiente

# Clonar o código
git clone https://github.com/TauricResearch/TradingAgents.git
cd TradingAgents

# Criar ambiente Python (recomendado usar conda)
conda create -n tradingagents python=3.13
conda activate tradingagents

# Instalar dependências
pip install -r requirements.txt

TIP

O Python 3.13 é a versão recomendada oficialmente, mas 3.10+ também deve funcionar. Se encontrar problemas de compatibilidade, tente a 3.11.

2. Configurar Chaves de API

O TradingAgents suporta vários provedores de LLM. Você precisa configurar pelo menos um:

# Opção 1: Variáveis de ambiente
export OPENAI_API_KEY=sk-sua-chave-openai
export ANTHROPIC_API_KEY=sk-ant-sua-chave-anthropic
export GOOGLE_API_KEY=sua-chave-google
export ALPHA_VANTAGE_API_KEY=sua-chave-alpha-vantage

# Opção 2: Copiar arquivo de configuração
cp .env.example .env
# Em seguida, edite o arquivo .env e insira suas chaves

TIP

O Alpha Vantage é uma API essencial para obter dados de ações. A versão gratuita tem limites de chamadas, mas é suficiente para testes.

3. Experiência Rápida via CLI

Não quer escrever código? Execute o CLI diretamente:

python -m cli.main

Você verá uma interface interativa onde poderá escolher:

  • Símbolo da ação (ex: NVDA, AAPL)
  • Data da análise
  • LLM a ser utilizado (suporta GPT, Gemini, Claude, etc.)
  • Profundidade da pesquisa
  • Número de rodadas de debate

Após a seleção, o framework iniciará uma série de AI Agents trabalhando em colaboração, e você poderá ver os relatórios de análise em tempo real no terminal.

Interface CLI

À medida que a análise avança, você verá as saídas de diferentes agentes sendo apresentadas:

Análise de Notícias

Finalmente, o trader dará uma sugestão de negociação:

Decisão de Trading

4. Chamada de Código Python

Quer integrar no seu próprio projeto? São apenas algumas linhas de código simples:

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

# Inicializar (debug=True permite ver logs detalhados)
ta = TradingAgentsGraph(debug=True, config=DEFAULT_CONFIG.copy())

# Insira o ticker e a data para receber a decisão
# O primeiro valor de retorno é o processo intermediário, o segundo é a decisão final
_, decision = ta.propagate("NVDA", "2026-01-15")

print(decision)

Ao rodar este script, você verá uma saída semelhante a esta:

{
  "ticker": "NVDA",
  "date": "2026-01-15",
  "decision": "BUY",
  "confidence": 0.75,
  "reasoning": "O pesquisador otimista acredita que...",
  "risk_assessment": "Risco Médio"
}

5. Alternando entre Diferentes Provedores de LLM

Um dos destaques do TradingAgents é o suporte a múltiplos LLMs. Você pode alternar a qualquer momento:

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

# Copiar configuração padrão e modificar
config = DEFAULT_CONFIG.copy()
config["llm_provider"] = "anthropic"        # Opções: openai, google, anthropic, xai, openrouter, ollama
config["deep_think_llm"] = "claude-sonnet-4.5"   # Modelo forte para raciocínio complexo
config["quick_think_llm"] = "claude-haiku-4.5"  # Modelo leve para tarefas simples
config["max_debate_rounds"] = 2               # Número de rodadas de debate bull/bear

ta = TradingAgentsGraph(debug=True, config=config)
_, decision = ta.propagate("AAPL", "2026-01-20")
print(decision)

6. Itens de Configuração Personalizados

Existem muitos parâmetros ajustáveis no DEFAULT_CONFIG:

config = DEFAULT_CONFIG.copy()

# Parâmetros principais
config["llm_provider"] = "openai"
config["deep_think_llm"] = "gpt-5.2"      # Modelo de pensamento profundo
config["quick_think_llm"] = "gpt-5-mini"  # Modelo de resposta rápida

# Configurações de debate
config["max_debate_rounds"] = 3           # Rodadas de debate entre otimistas e pessimistas
config["enable_researchers"] = True       # Habilitar equipe de pesquisa
config["enable_risk_management"] = True  # Habilitar equipe de gestão de risco

# Configurações de dados
config["data_provider"] = "alpha_vantage"  # Provedor de dados
config["news_provider"] = "yfinance"      # Fonte de notícias

Integração com Defapi: Uma Solução de Baixo Custo

Falamos muito sobre AI Agents, mas aqui vai uma dica prática:

Se você quiser rodar o TradingAgents com Claude ou GPT, mas o preço oficial da API for um impedimento, tente o Defapi — ele suporta o protocolo v1/chat/completions com preços que chegam a metade do oficial.

A configuração é totalmente compatível com a API oficial, basta mudar o base_url para o endereço do Defapi. Para um sistema multi-agente como o TradingAgents, onde cada agente chama o LLM, usar o Defapi pode economizar muitos custos.

O método específico é mudar o base_url de endereço oficial para https://api.defapi.org no cliente LLM, e usar a chave de API fornecida pelo Defapi. Atualmente, o Defapi suporta modelos principais como Claude, GPT e Gemini, cobrindo basicamente todas as necessidades do TradingAgents.

Solução de Problemas Comuns

1. A Chave de API não está funcionando?

Verifique se as variáveis de ambiente estão configuradas corretamente. No Linux/Mac use echo $OPENAI_API_KEY, no Windows use echo %OPENAI_API_KEY%. Se estiver usando um arquivo .env, certifique-se de que fez o cp .env.example .env e inseriu a chave real.

2. Modelo não suportado?

Diferentes provedores têm nomes de modelos diferentes. Por exemplo, a OpenAI usa gpt-5.2, a Anthropic usa claude-sonnet-4.5. Se você não tiver certeza se o nome do modelo está correto, tente rodar aqueles listados na documentação oficial primeiro.

3. Falha na chamada do Alpha Vantage?

A versão gratuita da API tem limites de chamadas por minuto (geralmente 5 vezes/minuto). Se você fizer requisições frequentes em um curto período, retornará um erro 429. Solução: atualize para a versão paga ou adicione um delay no código.

4. Tempo esgotado de rede (Timeout)?

O TradingAgents chama vários LLMs e APIs de dados; uma rede instável pode causar timeout facilmente. Você pode tentar:

  • Usar modelos acessíveis localmente
  • Aumentar a configuração de timeout
  • Usar modelos locais (Ollama)

5. Decisão com resultado vazio?

Às vezes, todos os agentes sugerem "não negociar", o que é normal. A decisão do framework é uma síntese das opiniões dos otimistas, pessimistas e do controle de risco; se o consenso for conservador, ele gerará HOLD. Você pode ajustar max_debate_rounds para aumentar as rodadas de debate e tornar a decisão mais agressiva (ou conservadora).

6. Como interpretar os resultados da decisão?

A saída geralmente está no formato JSON, contendo:

  • decision: BUY / SELL / HOLD
  • confidence: Nível de confiança de 0 a 1
  • reasoning: Resumo da análise de cada agente
  • risk_assessment: Nível de risco

Lembre-se: esta é apenas uma análise e sugestão da IA, não a utilize diretamente como uma ordem de negociação.

Leitura Adicional e Direções Avançadas

1. Trading-R1

Este é um projeto subsequente da mesma equipe, focado em otimizar estratégias de trading usando Aprendizado por Reforço (RL). O artigo já foi publicado no arXiv e o código será aberto em breve, vale a pena acompanhar.

2. Otimização do Sistema Multi-Agente

A arquitetura do TradingAgents é essencialmente colaboração multi-agente. Você pode tentar:

  • Adicionar novos papéis de agentes (como um analista macroeconômico)
  • Ajustar a lógica de debate entre os agentes
  • Conectar interfaces de negociação reais (estágio de trading simulado)

3. Solução com Modelos Locais

Se você não quiser depender de APIs externas, pode implantar modelos locais com Ollama. Embora o efeito possa não ser tão bom quanto o GPT/Claude, o custo é zero, sendo ideal para aprendizado e testes.

Updated March 21, 2026