HN 日本語サマリー

← 一覧へ戻る
AI・機械学習

Multi-Agents LLM Financial Trading Framework

Multi-Agents LLM Financial Trading Framework (github.com)

95 pointsby fittingopposite64 コメント

要約

TradingAgentsは、LLM（大規模言語モデル）を活用したマルチエージェント型の金融取引フレームワークです。ファンダメンタルアナリスト、センチメントアナリスト、トレーダー、リスクマネージャーなどの専門エージェントが協調して市場を分析し、取引戦略を策定します。このフレームワークは研究目的で開発されており、様々なLLMプロバイダーやデータソースに対応しています。

全文翻訳

TradingAgents: マルチエージェントLLM金融取引フレームワーク

［画像: Tauric Research］

［画像: arXiv］ ［画像: Discord］ ［画像: X Follow］ ［画像: Community］

［画像: TradingAgents #1 Repository of the Day］

ニュース

  • [2026-10] TradingAgents v0.7.0 リリース：自身のChatGPT PlusまたはProプランで実行可能に、各決定後に最初の終値からバックテストをスコアリング、新しいリリースがある場合に起動時に通知、GitHubリリースにホイールを追加。
  • [2026-10] TradingAgents v0.6.0 リリース：レポートを単一のHTMLページとして保存、モデルティアごとにプロバイダーを用意しマネージャーとアナリストが異なるモデルで実行可能に、アナリスト作業中に各ティッカーの過去の決定を決済、Yahoo検索から会社ニュースを読み込み（Yahooニュースフィードがダウンしている場合）。
  • [2026-09] TradingAgents v0.5.2 リリース：高速分析のための並列アナリスト、--tickerや--dateのようなフラグなしで実行できるCLI、各レポートに実行設定を記録、各分析日付までに公開されたデータのみを参照するバックテスト。

完全なリリースノートはCHANGELOG.mdにあります。

以前のニュース

  • [2026-09] TradingAgents v0.5.1 リリース：各モジュールが保持する内容で整理されたパッケージレイアウト（インポートパス変更）、ソーシャル投稿のJevスクリーニング（オプション）、デフォルトモデルとしてGPT-6 SolとLuna、実行分離とSEC EDGARステートメントへの修正。
  • [2026-09] TradingAgents v0.5.0 リリース：各日付パス全体でのポイントインタイム整合性、SEC EDGARファンダメンタルズを提出通りに提供、ティッカーと日付のグリッドでのバックテスト、ポートフォリオを考慮した実行、各プロバイダーでの現在のモデルラインナップ。
  • [2026-08] TradingAgents v0.4.0 リリース：FREDマクロ、ソーシャルセンチメント、決定ログメモリ全体でのルックアヘッド/ポイントインタイム修正、より明確な決定シグナル、動作するCLIチェックポイント再開、トレーダー価格のグラウンディング、GPT-5.6およびGLM-5.3モデル。
  • [2026-07] TradingAgents v0.3.1 リリース：正確性と安定性の修正：Alpha Vantageルックアヘッドフィルタリング、グラフルーターのクラッシュ安全性、グラフ形状を考慮したチェックポイント再開、動作する仮想通貨センチメントソース、設定可能なLLMリトライ予算、Bedrock APIキー認証、Claude Sonnet 5 / Fable 5サポート。
  • [2026-06] TradingAgents v0.3.0 リリース：検証済みデータアクセス契約、拡張されたプロバイダーレジストリ（NVIDIA、Kimi、Groq、Mistral、Bedrock、および任意のOpenAI互換エンドポイント）、FREDおよびPolymarketデータベンダー、現世代モデルカタログ、CIゲート。
  • [2026-05] TradingAgents v0.2.5 リリース：グラウンディングされたセンチメントアナリスト、GPT-5.5などのモデルカバレッジ、Qwen/GLM/MiniMaxデュアルリージョンサポート、TRADINGAGENTS_*環境変数による設定（APIキー自動検出付き）、リモートOllamaサポート、米国以外のアルファベンチマーク、ティッカーパス走査の強化。
  • [2026-04] TradingAgents v0.2.4 リリース：構造化出力エージェント（リサーチマネージャー、トレーダー、ポートフォリオマネージャー）、LangGraphチェックポイント再開、永続的な決定ログ、DeepSeek/Qwen/GLM/Azureプロバイダーサポート、Docker、Windows UTF-8エンコーディング修正。
  • [2026-03] TradingAgents v0.2.3 リリース：多言語サポート、GPT-5.4ファミリーモデル、統合モデルカタログ、バックテスト日付忠実度、プロキシサポート。
  • [2026-03] TradingAgents v0.2.2 リリース：GPT-5.4/Gemini 3.1/Claude 4.6モデルカバレッジ、5段階評価スケール、OpenAIレスポンスAPI、Anthropic努力制御、クロスプラットフォーム安定性。
  • [2026-02] TradingAgents v0.2.0 リリース：マルチプロバイダーLLMサポート（GPT-5.x、Gemini 3.x、Claude 4.x、Grok 4.x）とシステムアーキテクチャの改善。
  • [2026-01] Trading-R1 テクニカルレポートリリース、ターミナルも近日公開予定。

🚀 TradingAgents | ⚡ インストールとCLI | 🎬 デモ | 📦 パッケージ利用法 | 🤝 コントリビューション | 📄 引用

🎉 TradingAgents が正式にリリースされました！皆様から多くの問い合わせをいただいており、コミュニティの熱意に感謝いたします。

そこで、フレームワークを完全にオープンソース化することにしました。皆様と共にインパクトのあるプロジェクトを構築できることを楽しみにしています！

TradingAgents フレームワーク

TradingAgentsは、実際の取引会社のダイナミクスを模倣したマルチエージェント取引フレームワークです。ファンダメンタルズアナリスト、センチメント専門家、テクニカルアナリスト、トレーダー、リスク管理チームなど、専門化されたLLM搭載エージェントを展開することで、プラットフォームは協調して市場状況を評価し、取引の意思決定を支援します。さらに、これらのエージェントは動的な議論を通じて最適な戦略を特定します。

［画像］

TradingAgentsフレームワークは研究目的で設計されています。取引パフォーマンスは、選択されたバックボーン言語モデル、モデル温度、取引期間、データの質、その他の非決定的な要因など、多くの要因によって変動する可能性があります。これは金融、投資、または取引のアドバイスを意図したものではありません。

私たちのフレームワークは、複雑な取引タスクを専門的な役割に分解します。

アナリストチーム
  • ファンダメンタルズアナリスト：企業の財務諸表と業績指標を評価し、内在価値と潜在的なリスク要因を特定します。
  • センチメントアナリスト：ニュースヘッドライン、StockTwits、Redditのチャッターを集約し、単一のセンチメント指標として短期的な市場ムードを測定します。
  • ニュースアナリスト：世界中のニュースとマクロ経済指標を監視し、イベントが市場状況に与える影響を解釈します。
  • テクニカルアナリスト：MACDやRSIなどのテクニカル指標を利用して、取引パターンを検出し、価格動向を予測します。

選択されたアナリストは同時に作業し、それぞれが独自のツールを使用します。レポートがすべて出揃った後にリサーチディスカッションが開始されます。

［画像］

リサーチャーチーム
  • 強気派と弱気派の研究者で構成され、アナリストチームが提供する洞察を批判的に評価します。構造化された議論を通じて、潜在的な利益と固有のリスクのバランスを取ります。

［画像］

トレーダーエージェント
  • アナリストと研究者からのレポートをまとめて、情報に基づいた取引の意思決定を行い、取引のタイミングと規模を決定します。

［画像］

リスク管理とポートフォリオマネージャー
  • 市場のボラティリティ、流動性、その他のリスク要因を評価して、ポートフォリオのリスクを継続的に評価します。リスク管理チームは取引戦略を評価・調整し、ポートフォリオマネージャーに評価レポートを提供して最終決定を行います。
  • ポートフォリオマネージャーは取引提案を承認/却下します。承認された場合、注文はシミュレートされた取引所に送信され実行されます。

［画像］

インストールとCLI

インストール

TradingAgentsをクローンします。

git clone https://github.com/TauricResearch/TradingAgents.git
cd TradingAgents

TradingAgentsはPython 3.11以降が必要です。お好みの環境マネージャーで仮想環境を作成します。

conda create -n tradingagents python=3.13
conda activate tradingagents

またはuvを使用します。

uv venv --python 3.13
source .venv/bin/activate

パッケージとその依存関係をインストールします（uvを使用する場合は uv pip install .）。

pip install .
Docker

または、Dockerで実行します。

cp .env.example .env  # APIキーを追加
docker compose run --rm tradingagents

リポジトリを更新した後、docker compose buildでイメージを再構築します。

結果、レポート、メモリログ、キャッシュは tradingagents_data ボリュームに保存されます。これらをホスト上のフォルダに保持したい場合は、フォルダを作成し、.envまたはシェルでTRADINGAGENTS_DATA_DIRを設定します：mkdir -p data && TRADINGAGENTS_DATA_DIR=./data docker compose run --rm tradingagents。

ローカルモデルをOllamaで使用する場合：

docker compose --profile ollama run --rm tradingagents-ollama
必須API

TradingAgentsは複数のLLMプロバイダーをサポートしています。選択したプロバイダーのAPIキーを設定します。

export OPENAI_API_KEY=...
export GOOGLE_API_KEY=...
export ANTHROPIC_API_KEY=...
export XAI_API_KEY=...
export DEEPSEEK_API_KEY=...
export DASHSCOPE_API_KEY=...
export DASHSCOPE_CN_API_KEY=...
export ZHIPU_API_KEY=...
export ZHIPU_CN_API_KEY=...
export MINIMAX_API_KEY=...
export MINIMAX_CN_API_KEY=...
export OPENROUTER_API_KEY=...
export MISTRAL_API_KEY=...
export MOONSHOT_API_KEY=...
export GROQ_API_KEY=...
export NVIDIA_API_KEY=...
export FRED_API_KEY=...
export ALPHA_VANTAGE_API_KEY=...
export TYPESAFE_API_KEY=...

Azure OpenAIの場合、.env.enterprise.exampleを.env.enterpriseにコピーして資格情報を入力します。

APIキーの代わりに自身のChatGPT PlusまたはProプランで実行するには、CLIのプロバイダーメニューで「Subscription」を選択するか、llm_provider: "chatgpt"を設定します。tradingagents login chatgptで一度サインインすると、ブラウザで開くアドレスが表示され、それがこのマシン上の127.0.0.1にリダイレクトされます。ブラウザが別のマシンで実行されている場合や、TradingAgentsがDockerで実行されている場合（docker compose run --rm tradingagents login chatgpt）、ブラウザが最終的に到達するアドレスを貼り付けます。サインイン情報は~/.tradingagents/chatgpt-auth.jsonに保存され、tradingagents logout chatgptで取り消せます。実行はプランの利用制限に含まれ、プランではtemperatureやmax_tokensは受け付けられません。

AWS Bedrockの場合、pip install "[bedrock]"で追加をインストールし、llm_provider: "bedrock"を設定し、AWS資格情報（環境変数、~/.aws/credentials、またはIAMロール）とAWS_DEFAULT_REGIONを設定し、BedrockモデルID（例：us.anthropic.claude-opus-5-5）を使用します。

ローカルモデルの場合、llm_provider: "ollama"でOllamaを設定します。デフォルトのエンドポイントはhttp://localhost:11434/v1です。リモートのollama-serveを指すようにOLLAMA_BASE_URLを設定します。モデルはollama pull <name>でプルし、デフォルトでリストされていないモデルはCLIで「Custom model ID」を選択します。

他のOpenAI互換サーバー（vLLM、LM Studio、llama.cpp、またはカスタムリレー）の場合は、llm_provider: "openai_compatible"を使用し、backend_url（またはTRADINGAGENTS_LLM_BACKEND_URL）でエンドポイントを設定します。例：vLLMの場合はhttp://localhost:8000/v1、LM Studioの場合はhttp://localhost:1234/v1です。モデルはサーバーが提供するものになります。ローカルサーバーにはキーは不要です。エンドポイントがキーを必要とする場合はOPENAI_COMPATIBLE_API_KEYを設定します。

TYPESAFE_API_KEYを設定すると、センチメントアナリストはTypeSafeのJevを使用してStockTwitsとRedditの投稿をスクリーニングします。会社に関する投稿でないものはドロップされ、各ソースは残りの投稿数をスタンス（強気、弱気、中立、不明）ごとに開きます。キーがない場合、投稿はスクリーニングされずに通過します。jev-latestは新しいリリースとともに移動します。TYPESAFE_DEFAULT_MODELをjev-1.13.0のようなバージョンIDに設定すると、実行間で固定されます。OpenRouter経由でJevにアクセスするには、TYPESAFE_API_KEYにOpenRouterキーを入れ、TYPESAFE_BASE_URL=https://openrouter.ai/apiを設定します。

または、.env.exampleを.envにコピーしてキーを入力します。

cp .env.example .env
CLIの使用法

インタラクティブなCLIを起動します。

tradingagents          # インストールされたコマンド
python -m cli.main     # 代替: ソースから直接実行

ティッカー、分析日付、LLMプロバイダー、リサーチの深さなどを選択できる画面が表示されます。以前の実行の回答がデフォルトとして表示されるため、Enterキーを押すだけで受け入れられます。.envのTRADINGAGENTS_*変数は、そのステップを完全にスキップします。

質問なしで実行する場合、スケジュールされたジョブやスクリプトのために、実行ごとのステップをフラグで、残りをTRADINGAGENTS_*変数で回答します。

export TRADINGAGENTS_LLM_PROVIDER=openai TRADINGAGENTS_QUICK_THINK_LLM=gpt-6-luna TRADINGAGENTS_DEEP_THINK_LLM=gpt-6-sol
export TRADINGAGENTS_OUTPUT_LANGUAGE=English TRADINGAGENTS_MAX_DEBATE_ROUNDS=1 TRADINGAGENTS_MAX_RISK_ROUNDS=1
tradingagents --ticker NVDA --date 2026-09-23 --analysts market,news,fundamentals --save --no-show

各フラグは、その質問のみをスキップします。ターミナルなしで実行すると、回答がないステップで実行が停止し、設定すべきフラグまたは変数が名前で示されます。

起動時にインタラクティブCLIは、新しいリリースとTauric Researchからの通知を表示します。1日に最大1回、バックグラウンドでチェックし、実行に関する情報は何も送信しません。オフにするにはTRADINGAGENTS_NO_UPDATE_CHECK=1を設定します。ターミナルなしの実行は決してチェックしません。

保存されたレポートには、complete_report.htmlも含まれます。これは、セクションがテキストの横にリストされた単一ページのレポートで、ブラウザ、電話、または印刷で読むのに適しています。プロンプトで保存の質問に答えると、ページについても尋ねられ、ブラウザで開くことができます。--no-htmlはそれをスキップし、Pythonからのta.save_reports(state, "NVDA", html=False)も同様です。

市場とティッカー

TradingAgentsは、Yahoo Financeがカバーする任意の市場で動作し、取引所接尾辞付きティッカーを使用します。企業IDとアルファベンチマークは、市場ごとに自動的に解決されます。

  • 米国: AAPL, SPY
  • 香港: 0700.HK · 東京: 7203.T · ロンドン: AZN.L
  • インド: RELIANCE.NS, .BO · カナダ: .TO · オーストラリア: .AX
  • 中国A株: 上海 .SS, 深セン .SZ (例: Kweichow Moutai の 600519.SS)
  • 暗号通貨: BTC-USD, ETH-USD

［画像］

インターフェースが表示され、結果がロードされるにつれて進捗を追跡できます。

［画像］

［画像］

TradingAgents パッケージ

実装詳細

TradingAgentsはLangGraphで構築されており、柔軟性とモジュール性を保証します。フレームワークは複数のLLMプロバイダーをサポートしています：OpenAI、Google、Anthropic、xAI、DeepSeek、Qwen（Alibaba DashScope、国際および中国のエンドポイント）、GLM（Zhipu）、MiniMax（グローバル+中国）、OpenRouter、ローカルモデル用のOllama、エンタープライズ向けのAzure OpenAI、および独自のChatGPTプラン。

Pythonでの利用

コード内でTradingAgentsを使用するには、tradingagentsモジュールをインポートし、TradingAgentsGraph()オブジェクトを初期化します。.propagate()関数は決定を返します。main.pyを実行することもできます。以下に簡単な例を示します。

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

ta = TradingAgentsGraph(debug=True, config=DEFAULT_CONFIG.copy())

# フォワードプロパゲーション
state, decision = ta.propagate("NVDA", "2026-09-01")
print(decision)

# CLIが保存するのと同じレポートツリーが、results_dir/reportsの下にあります
ta.save_reports(state, "NVDA")

デフォルト設定を調整して、独自のLLM、ディベートラウンドなどを設定することもできます。

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

config = DEFAULT_CONFIG.copy()
config["llm_provider"] = "openai"        # 例: openai, google, anthropic, deepseek, groq, ollama; openai_compatible は任意のOpenAI互換エンドポイント (vLLM, LM Studio, llama.cpp, ...) をカバーします
config["deep_think_llm"] = "gpt-6-sol"    # 複雑な推論用のモデル
config["quick_think_llm"] = "gpt-6-luna"   # 短いタスク用のモデル
config["max_debate_rounds"] = 2

ta = TradingAgentsGraph(debug=True, config=config)
_, decision = ta.propagate("NVDA", "2026-09-01")
print(decision)

クイックモデルはアナリスト、リサーチャー、ディベーター、トレーダーに使用され、ディープモデルはリサーチマネージャーとポートフォリオマネージャーに使用されます。それぞれが独自のプロバイダーで実行できます。例えば、マネージャーはClaudeで、他はOpenAIで実行できます。

config["deep_think_provider"] = "anthropic"
config["deep_think_llm"] = "claude-opus-5-5"

独自のプロバイダー上のティアは、そのプロバイダーのキーとデフォルトエンドポイントを使用します。ローカルまたはリレーエンドポイントの場合は、quick_think_backend_urlまたはdeep_think_backend_urlを設定します。TRADINGAGENTS_DEEP_THINK_PROVIDERおよびTRADINGAGENTS_QUICK_THINK_PROVIDER変数は、ティアのモデル変数と共にCLI用に設定します。

すべての設定オプションについては、tradingagents/default_config.pyを参照してください。

提出済みのファンダメンタルズ

米国の企業の財務諸表はSEC EDGARから取得され、各数値が提出された日付が記録されます。過去の日付の実行は、その時点での財務諸表を正確に読み取ります。すでに終了したがまだ提出されていない会計年度は提供されず、後で修正された数値は最初に報告されたまま読み取られます。Appleの2008年の総資産は396億ドルと提出され、2010年に362億ドルに修正されました。そのため、その間の日付の実行は396億ドルと読み取られます。EDGARはアカウントやAPIキーを必要としません。

他の企業の財務諸表はYahoo Financeから取得されます。これは、公開された日付ではなく、カバーする期間で財務諸表を日付付けします。今日の実行はそれを読み取ります。過去の日付の実行は、Yahooがその時点でどの数値が公開されていたかを知ることができないため、提供されないと通知されます。

インサイダー取引は、提出された日付ではなく、発生した日付で日付付けされるため、過去の日付の実行も提供されないと通知されます。

SECは、発信者を特定するように求めており、連絡先アドレスのないリクエストは拒否するため、デフォルトのアドレスが送信されます。SECがあなたに連絡できるように、あなた自身の連絡先を設定してください。

SEC_EDGAR_USER_AGENT="Your Name your@email.com"

これは、米国に上場している外国企業を含む、SECに提出する企業をカバーします。香港や中国A株の上場などの他のものは、チェーンの次のベンダーにフォールスルーします。EDGARの機械可読な提出書類は2009年から始まり、第4四半期は年次数値内にのみ記載されるため、派生ではなく利用不可として報告されます。

現在の保有状況

デフォルトでは、エージェントはあなたが何を保有しているかを知らないため、そのガイダンスは自身のポジションに適用する読者を対象としています。ポートフォリオを渡すと、トレーダー、リスクアナリスト、ポートフォリオマネージャーが実際のブックに対して作業します。

from tradingagents.portfolio import PortfolioContext

portfolio = PortfolioContext.model_validate({
    "cash": 25000.0,
    "currency": "USD",
    "positions": [{"ticker": "NVDA", "quantity": 120, "average_price": 150.0}],
})
_, decision = ta.propagate("NVDA", "2026-09-01", portfolio=portfolio)

CLIは、同じ内容をJSONファイルとして受け取ります：tradingagents --portfolio my_book.json。

空のpositionsリストはフラットなブックを意味し、何も渡さないこととは異なります。ポートフォリオなしの実行は、フラットとは見なされません。

持続性と回復

TradingAgentsは、実行間で2種類の状態を永続化します。

メモリログ

メモリログは常にオンです。完了した各実行は、その決定を~/.tradingagents/memory/trading_memory.mdに追加します。後続の実行のアナリストが作業している間、TradingAgentsは、保有期間が経過したすべてのログ記録された決定を決済します。実現収益（生、およびその証券の地域ベンチマークに対するアルファ）を取得し、1段落の反省を生成します。ポートフォリオマネージャーは、同じティッカーの最新の決定と、他のティッカーからの最近の教訓を読み取ります。これにより、各分析はうまくいったこととそうでないことを引き継ぎます。決済に失敗した場合、実行は続行され、レポートにその旨が記載されます。

パスはTRADINGAGENTS_MEMORY_LOG_PATHで上書きできます。

分析を実行せずに決定を決済するには、スケジュールされたジョブの場合、ta.settle_all_pending()を呼び出します。これは、決済した決定とできなかった決定を返します。

チェックポイント再開

チェックポイント再開は、--checkpointを介してオプトインされます。有効にすると、LangGraphは各ノードの後に状態を保存するため、クラッシュまたは中断された実行は、最初からやり直すのではなく、最後に成功したステップから再開します。実行ビューには、保存された実行を再開したか、新規に開始したかが表示されます。チェックポイントは、正常に完了すると自動的にクリアされます。

ティッカーごとのSQLiteデータベースは、~/.tradingagents/cache/checkpoints/<TICKER>.dbに保存されます（ベースはTRADINGAGENTS_CACHE_DIRで上書き可能）。実行前にすべてをリセットするには、--clear-checkpointsを使用します。

tradingagents --checkpoint           # この実行で有効にする
tradingagents --clear-checkpoints    # 実行前にリセットする

config = DEFAULT_CONFIG.copy()
config["checkpoint_enabled"] = True
ta = TradingAgentsGraph(config=config)
_, decision = ta.propagate("NVDA", "2026-09-01")

時間経過による決定の評価

1回の実行は1つの決定を生成しますが、システムがうまく決定しているかどうかはわかりません。run_backtestは、同じパイプラインをティッカーと日付のグリッドで実行し、独自のメモリログに書き込み、保有期間が経過した決定をスコアリングします。

from tradingagents.backtest import iter_grid, run_backtest, summarize

dates = iter_grid("2026-06-01", "2026-08-01", every_n_days=7)
result = run_backtest(["NVDA", "AAPL"], dates, config, selected_analysts=["market", "news"])
print(summarize(result).render())

CLIから：

tradingagents backtest NVDA,AAPL --start 2026-06-01 --end 2026-08-01 --every 7

各セルは、証券の地域ベンチマークに対する実現アルファでスコアリングされ、レーティング別にグループ化されます。決定は、その日付の最初の終値で入力されます。これは、実行がその日の終値以降に公開されたニュースを読むためです。独自のメモリログは決して書き込まれず、同じグリッドをrun_id=result.run_idで再実行すると、すでに実行されたセルがスキップされるため、中断されたスイープは停止した場所から続行されます。

再現性

TradingAgentsはLLM駆動であるため、同じティッカーと日付の2回の実行は異なる場合があります。これは、言語モデル上に構築された研究ツールとしては予期されることであり、欠陥ではありません。バリエーションはいくつかの異なるソースから生じ、それらを分離することが役立ちます。

言語モデルのサンプリングは非決定的です。温度が固定されていても、プロバイダーは呼び出しごとにバイト単位で同一の出力を保証せず、推論モデル（デフォルトのGPT-6ファミリー、および任意の思考モードモデル）は、内部推論自体がサンプリングされるため、最も変動します。

ライブデータは移動します。ニュース、StockTwits、Redditは時間の経過とともに異なるコンテンツを返します。そのため、同じ過去の取引日付であっても、今日の実行は先週の実行とは異なる入力を目にします。分析日付を固定すると、価格とインジケーターのウィンドウは固定されますが、ソーシャルおよびニュースソースは依然として「現在」を反映します。

バリエーションを減らすには、サンプリング温度を下げることができます。設定（または.envのTRADINGAGENTS_TEMPERATURE）でtemperatureを設定します。値が低いほど、それをより忠実に再現するモデルになります。現在のキュレーションされたモデルは推論優先であり、温度をほとんど無視するため、よりタイトな再現性のために、設定で非推論モデルを指定するか、TRADINGAGENTS_DEEP_THINK_LLMおよびTRADINGAGENTS_QUICK_THINK_LLMで指定します。プロバイダーが提供する任意のモデルIDは、ピッカーにリストされているかどうかにかかわらず受け入れられます。

config = DEFAULT_CONFIG.copy()
config["llm_provider"] = "openai"
config["temperature"] = 0.0
# 推論モデルは温度を無視します。よりタイトな再現性のために、
# deep_think_llm / quick_think_llm で非推論モデルを指定してください。

もはや変動しないもの：分析対象の企業IDは、エージェントが実行される前にティッカーから決定論的に解決され、市場アナリストは正確な価格とインジケーターの主張を検証済みデータスナップショットにグラウンドします。以前の「異なる企業」または実行間で偽造された価格レベルの報告は、これらの2つのメカニズムによって対処されています。

バックテストの結果は、公開されている数値と一致することが保証されていません。収益は、モデル、温度、日付範囲、データ品質、および上記のサンプリングに依存します。このフレームワークは、固定された再現可能なリターンを持つ戦略としてではなく、マルチエージェント分析を研究するための研究スキャフォールドとして扱ってください。

コントリビューション

バグ修正、ドキュメント、機能アイデアなど、貢献を歓迎します。過去の貢献は、CHANGELOG.mdの各リリースでクレジットされています。

引用

TradingAgentsが何らかの助けになったと感じた場合は、ぜひ私たちの研究を引用してください。

@misc{xiao2025tradingagentsmultiagentsllmfinancial,
      title={TradingAgents: Multi-Agents LLM Financial Trading Framework},
      author={Yijia Xiao and Edward Sun and Di Luo and Wei Wang},
      year={2025},
      eprint={2412.20138},
      archivePrefix={arXiv},
      primaryClass={q-fin.TR},
      url={https://arxiv.org/abs/2412.20138},
}