金融交易决策的复杂性源于其多源异构数据、瞬息万变的市场情绪以及相互交织的宏观微观因素。传统量化模型往往在单一维度上表现优异，却难以模拟真实交易团队中专家协作、辩论与风险控制的动态过程。TradingAgents-CN 作为 TradingAgents 框架的中文增强版，通过构建一个模拟真实交易公司组织结构的多智能体 LLM 协作系统，为这一挑战提供了新颖的工程化解决方案。本文将聚焦其核心的协调架构，解析从角色分工、消息路由到最终决策聚合的全链路设计，并提炼可复用的监控参数与落地要点。
一、 核心角色分工：专业化智能体团队的构建
TradingAgents-CN 的架构灵感来源于专业的对冲基金或自营交易公司，其智能体被划分为五个职责清晰、工具专精的团队，形成一条从数据采集到最终执行的决策流水线。
-
分析师团队 (Analyst Team)：作为信息输入端，四位分析师并行工作，分别聚焦于不同数据维度：
- 基本面分析师：解析公司财务报告、盈利预测及内部人交易数据，评估股票内在价值。
- 情绪分析师：爬取并分析社交媒体（如 Reddit、X）的舆情，计算市场情绪得分。
- 新闻分析师：监控宏观经济新闻、公司公告及行业动态，识别可能引发市场波动的关键事件。
- 技术分析师：计算数十种技术指标（如 RSI、MACD、布林带），识别价格模式与交易信号。 每个分析师均配备专属工具（如金融数据 API、情感分析模型），并输出结构化分析报告，而非冗长的自然语言描述，为下游处理奠定基础。
-
研究团队 (Researcher Team)：此团队引入 “辩论” 机制，旨在模拟投资决策中的多空博弈。它由一位多头研究员和一位空头研究员组成。两者基于相同的分析师报告，分别从乐观和悲观视角展开数轮自然语言辩论，最终由一位协调员总结辩论要点，形成一个包含机会、风险、场景分析和置信度的结构化研究摘要。这一步骤强制系统考虑对立观点，避免单一思维模式的盲点。
-
交易员 (Trader)：接收研究团队的结论，结合历史表现和当前市场状态，生成具体的交易提案。提案内容结构化，包括操作（买入 / 卖出 / 持有）、头寸大小、时机建议及详细理由。交易员的设计允许配置不同的风险偏好（激进、中性、保守），以适应不同的策略风格。
-
风控团队 (Risk Management Team)：这是系统的安全阀。该团队由代表激进、中性和保守三种风险偏好的智能体组成。他们围绕交易员的提案进行另一轮辩论，评估其可能带来的投资组合风险、波动率暴露、杠杆水平及最大回撤是否在预设阈值内。辩论结果用于调整或否决交易提案。
-
基金经理 / 协调员 (Fund Manager)：作为最终决策者，负责汇总风控团队的辩论结果，审核并批准最终的可执行订单。此角色维护全局状态（如仓位、成本），确保所有决策符合整体投资目标和约束条件。
这种角色分工并非简单的流水线，而是构成了一个有反馈的、可辩论的决策网络，其核心挑战在于如何让这些智能体高效、准确地交换信息。
二、 消息路由机制：结构化通信与辩论通道
多智能体系统的效能高度依赖于其通信协议。TradingAgents-CN 摒弃了单纯依赖长对话历史的 “传话游戏” 模式，采用了分层工作流与结构化消息相结合的混合通信策略，有效解决了信息丢失和上下文污染问题。
分层工作流定义了明确的消息传递路径：市场数据 → 分析师团队（并行）→ 研究团队（辩论）→ 交易员 → 风控团队（辩论）→ 基金经理。每一层只有在收到上一层的完整输出后才会被触发，确保了决策依赖关系的清晰性。
结构化消息模板是避免信息衰减的关键。系统为每一类通信定义了严格的模式（Schema）：
- 分析师报告：包含关键指标、得分、摘要和信号方向。
- 研究摘要：包含看多论据、看空论据、综合结论与置信度。
- 交易提案：包含资产代码、操作、数量、价格区间、止损止盈建议。
- 风控评审：包含风险评估、调整建议（如缩放头寸、添加对冲）或否决理由。 这些结构化数据被存入一个全局状态存储（如数据库或内存缓存），智能体通过查询工具（而非阅读长文本）来获取所需信息，极大提升了信息检索的准确性和效率。
自然语言辩论通道则被限定在需要深度推理和观点碰撞的环节，即研究团队和风控团队的内部讨论。辩论以自然语言进行，但最终结论会被提炼并转化为结构化条目记录到全局状态中。论文中指出，这种 “结构化报告为主，自然语言辩论为辅” 的模式，在保证推理深度的同时，维持了系统的可控性和可解释性。
三、 决策聚合与可落地工程参数
从纷杂的智能体输出到单一交易指令，决策聚合机制至关重要。TradingAgents-CN 的聚合过程体现在两个层面：辩论结论的达成与冲突的最终裁决。
在研究团队和风控团队的辩论中，系统并未简单采用 “投票” 或 “平均”，而是通过指定轮数的辩论后，由一位 “协调员” 智能体总结主流观点并给出结构化结论。这模拟了现实中投资委员会讨论后由主席定调的过程。
当交易员提案与风控团队意见冲突时（例如交易员建议大额买入，而风控认为风险过高），最终的裁决权在基金经理。基金经理可以完全采纳、修改或驳回提案，其决策依据除了当前辩论内容，还包括投资组合的整体状况、历史绩效和公司风险政策等全局信息。
基于框架设计，我们可以提炼出以下可监控和调整的工程化参数，供实际部署参考：
- 辩论轮数 (n_rounds)：研究团队和风控团队内部辩论的轮次。轮数过少可能思考不充分，过多则增加延迟和成本。建议初始值设为 3-5 轮，并根据回溯测试效果调整。
- 风控阈值参数：需在系统配置中明确设定，如：
max_position_size（单笔最大头寸）max_portfolio_var（组合在险价值上限）max_drawdown_tolerance（可接受的最大回撤） 这些阈值是风控智能体进行辩论和决策的刚性依据。
- 模型分配策略：框架采用混合 LLM 策略，快速模型（如
gpt-4o-mini）处理数据抓取和简单分析，深度推理模型（如o1-preview）用于研究员和交易员的决策。监控不同模型的延迟、成本及任务成功率，是优化系统经济性的关键。 - 状态缓存 TTL：分析师报告等中间结果在全局状态中的存活时间。设置合理的 TTL 可以平衡数据新鲜度与系统负载。
四、 总结与展望
TradingAgents-CN 通过精心设计的角色分工、结构化的消息路由以及嵌入辩论机制的决策流程，成功地将多智能体协作的理论优势应用于金融交易这一复杂领域。其实验结果表明，该框架在累计收益、夏普比率等关键指标上均优于传统的基于规则的交易策略。
然而，该架构也面临一些固有挑战：运营成本较高（涉及多个 LLM 调用）、决策延迟（多步串行处理）以及对高质量、实时数据源的重度依赖。未来的优化方向可能包括引入异步并行处理以降低延迟、探索更轻量化的本地模型以控制成本，以及增强对突发市场事件的适应性训练。
对于希望构建类似多智能体系统的开发者而言，TradingAgents-CN 的核心启示在于：明确的角色边界、机器可读的通信协议以及将开放式辩论与结构化决策相结合，是构建可靠、可解释的多智能体协作系统的三大支柱。将其架构思想剥离出金融交易场景，同样可以应用于其他需要多专家知识融合的复杂决策领域。
参考资料
- TradingAgents-CN 项目仓库. https://github.com/hsliuping/TradingAgents-CN
- TradingAgents: Multi-Agents LLM Financial Trading Framework. arXiv:2412.20138