Развертывание и практика TradingAgents: Создание вашей ИИ-команды для количественной торговли

Задумывались ли вы когда-нибудь, каково это — иметь команду ИИ, помогающую вам принимать инвестиционные решения?

Сегодня мы поговорим о TradingAgents — это open-source фреймворк, который позволяет развернуть собственную «команду ИИ для количественной торговли». Он имитирует рабочий процесс реальных финансовых институтов: исследователи проводят изыскания, аналитики пишут отчеты, команда по управлению рисками оценивает угрозы, а трейдер в итоге выставляет ордер.

Звучит круто? Давайте приступим.

Целевая аудитория

Эта статья ориентирована на технических специалистов с опытом разработки от 1 до 5 лет. Вам потребуется:

• Базовые знания Python и умение читать код
• Интерес к AI-агентам и мультиагентным системам
• Желание попробовать ИИ в качестве помощника для принятия инвестиционных решений (но не воспринимайте это как руководство к действию на реальные деньги)

Основные зависимости и окружение

Для запуска вам понадобятся:

• Python: версии 3.10 и выше
• Управление окружением: рекомендуется Anaconda или venv
• LLM Провайдеры: OpenAI (GPT), Google (Gemini), Anthropic (Claude), xAI (Grok), OpenRouter, Ollama (локальные модели)
• Источник данных: Alpha Vantage (акции, новости, индикаторы)
• Основной фреймворк: LangGraph (оркестрация мультиагентных систем)

Структура проекта

TradingAgents/
├── cli/                           # Интерфейс командной строки
│   └── main.py                    # Точка входа
├── tradingagents/
│   ├── agents/
│   │   ├── analysts/              # Команда аналитиков
│   │   │   ├── fundamentals_analyst.py   # Фундаментальный анализ
│   │   │   ├── market_analyst.py         # Рыночный анализ
│   │   │   ├── news_analyst.py           # Анализ новостей
│   │   │   └── social_media_analyst.py   # Настроения в соцсетях
│   │   ├── researchers/            # Команда исследователей
│   │   │   ├── bull_researcher.py        # Исследователь-«бык»
│   │   │   └── bear_researcher.py        # Исследователь-«медведь»
│   │   ├── trader/                 # Трейдер
│   │   │   └── trader.py
│   │   ├── risk_mgmt/              # Команда риск-менеджмента
│   │   │   ├── aggressive_debator.py
│   │   │   ├── conservative_debator.py
│   │   │   └── neutral_debator.py
│   │   └── managers/
│   │       ├── research_manager.py
│   │       └── risk_manager.py
│   ├── dataflows/                  # Потоки данных
│   │   ├── alpha_vantage_*.py     # Данные Alpha Vantage
│   │   └── y_finance.py           # Данные Yahoo Finance
│   ├── graph/                      # Структура графа LangGraph
│   │   └── trading_graph.py
│   └── llm_clients/                # Клиенты LLM
│       ├── anthropic_client.py
│       ├── google_client.py
│       └── factory.py
├── main.py                         # Точка входа для вызова через Python
└── test.py                         # Тестовые сценарии

Структура очень прозрачна: директория agents содержит различные роли ИИ, dataflows отвечает за получение данных, а graph соединяет этих персонажей в единый рабочий процесс.

---

Пошаговое руководство по развертыванию

1. Клонирование проекта и создание окружения

# Клонирование кода
git clone https://github.com/TauricResearch/TradingAgents.git
cd TradingAgents

# Создание Python окружения (рекомендуется conda)
conda create -n tradingagents python=3.13
conda activate tradingagents

# Установка зависимостей
pip install -r requirements.txt

2. Настройка API ключей

TradingAgents поддерживает множество провайдеров LLM. Вам нужно настроить хотя бы один:

# Способ 1: Переменные окружения
export OPENAI_API_KEY=sk-your-openai-key
export ANTHROPIC_API_KEY=sk-ant-your-anthropic-key
export GOOGLE_API_KEY=your-google-key
export ALPHA_VANTAGE_API_KEY=your-alpha-vantage-key

# Способ 2: Копирование файла конфигурации
cp .env.example .env
# Затем отредактируйте файл .env, вставив ваши ключи

3. Быстрый старт через CLI

Не хотите писать код? Запустите CLI напрямую:

python -m cli.main

Вы увидите интерактивный интерфейс, где можно выбрать:

• Тикер акции (например, NVDA, AAPL)
• Дату анализа
• Используемую LLM (GPT, Gemini, Claude и др.)
• Глубину исследования
• Количество раундов дебатов

После выбора фреймворк запустит серию ИИ-агентов. В терминале вы сможете в реальном времени наблюдать за их аналитическими отчетами.

По мере продвижения анализа вы увидите выводы различных агентов:

В итоге трейдер выдаст торговую рекомендацию:

4. Вызов через Python-код

Хотите интегрировать систему в свой проект? Это делается в несколько строк:

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

# Инициализация (debug=True позволяет видеть подробные логи)
ta = TradingAgentsGraph(debug=True, config=DEFAULT_CONFIG.copy())

# Ввод тикера и даты, возврат решения
# Первое значение — промежуточные процессы, второе — итоговое решение
_, decision = ta.propagate("NVDA", "2026-01-15")

print(decision)

При запуске скрипта вы увидите вывод, похожий на этот:

{
  "ticker": "NVDA",
  "date": "2026-01-15",
  "decision": "BUY",
  "confidence": 0.75,
  "reasoning": "Исследователь-бык считает, что...",
  "risk_assessment": "Средний риск"
}

5. Переключение между провайдерами LLM

Одной из сильных сторон TradingAgents является поддержка разных моделей. Вы можете сменить их в любой момент:

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

# Копируем стандартную конфигурацию и изменяем ее
config = DEFAULT_CONFIG.copy()
config["llm_provider"] = "anthropic"        # Варианты: openai, google, anthropic, xai, openrouter, ollama
config["deep_think_llm"] = "claude-sonnet-4.5"   # Мощная модель для сложных рассуждений
config["quick_think_llm"] = "claude-haiku-4.5"  # Легкая модель для простых задач
config["max_debate_rounds"] = 2               # Количество раундов дебатов

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

6. Настройка параметров

В DEFAULT_CONFIG доступно множество регулируемых параметров:

config = DEFAULT_CONFIG.copy()

# Основные параметры
config["llm_provider"] = "openai"
config["deep_think_llm"] = "gpt-5.2"      # Модель для глубокого анализа
config["quick_think_llm"] = "gpt-5-mini"  # Модель для быстрых ответов

# Настройки дебатов
config["max_debate_rounds"] = 3           # Раунды споров между быками и медведями
config["enable_researchers"] = True       # Включить команду исследователей
config["enable_risk_management"] = True  # Включить риск-менеджмент

# Настройки данных
config["data_provider"] = "alpha_vantage"  # Поставщик данных
config["news_provider"] = "yfinance"      # Источник новостей

---

Интеграция с Defapi: Экономичное решение

Раз уж мы говорим об ИИ-агентах, вот полезный совет:

Если вы хотите запускать TradingAgents на базе Claude или GPT, но вас пугают цены официальных API, попробуйте Defapi. Сервис поддерживает протокол v1/chat/completions, а цена в два раза ниже официальной.

Настройка полностью совместима с официальным API, достаточно просто заменить base_url на адрес Defapi. Для таких мультиагентных систем, как TradingAgents, где каждый агент делает запросы к LLM, использование Defapi поможет существенно сэкономить.

Просто замените base_url в клиенте LLM с официального на https://api.defapi.org и используйте ключ API от Defapi. На данный момент они поддерживают Claude, GPT, Gemini и другие основные модели, что полностью покрывает потребности TradingAgents.

---

Устранение распространенных проблем

1. API ключ не работает?

Проверьте переменные окружения. В Linux/Mac используйте echo $OPENAI_API_KEY, в Windows — echo %OPENAI_API_KEY%. Если используете файл .env, убедитесь, что вы создали его из .env.example и вписали реальный ключ.

2. Модель не поддерживается?

Названия моделей у разных провайдеров отличаются. Например, у OpenAI это gpt-5.2, у Anthropic — claude-sonnet-4.5. Если не уверены в названии, сверьтесь со списком в официальной документации провайдера.

3. Ошибка вызова Alpha Vantage?

Бесплатная версия API имеет лимит на количество запросов в минуту (обычно 5). При частых запросах может вернуться ошибка 429. Решение: перейти на платный тариф или добавить задержки в коде.

4. Тайм-аут сети?

TradingAgents обращается к нескольким API LLM и данных одновременно, что может привести к тайм-аутам при плохом соединении. Попробуйте:

• Использовать модели, доступные в вашем регионе
• Увеличить время ожидания в конфигурации
• Использовать локальные модели (Ollama)

5. Пустой результат или решение «HOLD»?

Иногда все агенты рекомендуют «воздержаться от сделки» (HOLD). Это нормально. Решение фреймворка — это консенсус быков, медведей и риск-менеджмента. Если общее настроение консервативно, будет выведен HOLD. Вы можете увеличить max_debate_rounds, чтобы сделать процесс принятия решений более агрессивным.

6. Как интерпретировать результат?

Вывод обычно представляет собой JSON с полями:

• decision: BUY (покупать) / SELL (продавать) / HOLD (держать)
• confidence: уверенность (0-1)
• reasoning: краткий анализ от каждого агента
• risk_assessment: уровень риска

Помните: это лишь аналитика ИИ, не используйте ее как прямое руководство к торговле.

---

Дополнительное чтение и развитие

1. Trading-R1

Это следующий проект той же команды, сфокусированный на оптимизации торговых стратегий с помощью обучения с подкреплением (RL). Статья уже опубликована на arXiv, код скоро будет открыт.

2. Оптимизация мультиагентных систем

Архитектура TradingAgents основана на сотрудничестве агентов. Вы можете попробовать:

• Добавить новые роли (например, макроэкономический аналитик)
• Изменить логику дебатов между агентами
• Подключить реальные торговые интерфейсы (для этапа симуляции торговли)

3. Локальные модели

Если вы не хотите зависеть от внешних API, можно развернуть Ollama локально. Хотя результат может быть слабее, чем у GPT/Claude, это бесплатно и отлично подходит для обучения и тестов.