このAIは利益を得るために議論する

ウォール街には今、 新しい種類の「チームミーティング」が登場しました。ヒルトン株を買うべきか、売るべきか、あるいは見送るべきかを議論するAIエージェントたちでいっぱいの部屋です。ひとつの巨大なモデルが価格目標を示すのではなく、ボットたちが口論し、反論し、最終的に取引を決定するシミュレーションヘッジファンドです。この全ては、TradingAgentsというオープンソースプロジェクトによって、あなたのラップトップ上で動いています。

単一のモノリシックなモデルは、この種の作業に苦労します。「2025年3月1日のHLTを分析して」と孤独なLLMに依頼すると、基本事項、チャート、ニュース、社会的感情、リスクを一度に juggling しなければなりません。その結果、一般的な回答、浅い推論、そして内部の対立や不確実性の実感が欠けたものになる傾向があります。

TradingAgentsは逆のアプローチを取ります：専門化と対立です。収益を分析するファンダメンタルズアナリストを立ち上げ、ソーシャルメディアをスクレイピングするセンチメント専門家、ヘッドラインを分析するニュースアナリスト、RSIやMACDなどの指標を分析するテクニカルアナリストを用意します。その上で、強気および弱気の研究者たちが上昇の可能性とリスクについて議論し、トレーダーとリスクマネージャーが最終的な判断にすべてを統合します。

これらはすべて、Pythonで構築されたマルチエージェントワークフローのフレームワークであるLangGraphの上にあります。モデルを選択してください—GPT-4、Claude、Gemini、またはより安価なバリアント—Yahoo FinanceやAlpha Vantageからデータを接続し、エージェントを実行させます。GPUも、独自のブラックボックスも不要で、ただのGitHubリポジトリといくつかのAPIキーだけです。

出現するものは、小規模なクオンツデスクのように驚くほど似ています。アナリストたちは並行して作業し、複数回にわたって議論し、AAPL、GOOGL、AMZNなどのティッカーを使用して、2024年1月から3月のような歴史的ウィンドウでバックテストを行います。研究者たちは、シンプルなMACD/RSI戦略や単一エージェントのLLMベースラインよりも高い累積リターンとシャープレシオを報告し、最大ドローダウンも低く抑えています。

これはまだロボットのためのロビンフッドではありませんが、TradingAgentsは実行ライブではなくシミュレーションとバックテストに焦点を当てています。しかし、AIのワークフローが単に「ボットに質問する」だけでなく、「委員会を立ち上げ、意見を対立させ、状況が落ち着いた時のみ取引する」という未来を予感させます。

単一の全知全能なボットを忘れましょう。TradingAgentsは、コード内にミニ・ウォール街を構築します。まず、同じティッカーと日付で並行して作業する四つのコアアナリスト役割から始まります。ファンダメンタルズアナリストは、Yahoo FinanceやAlpha Vantageなどのソースから得られる収支計算書、キャッシュフロー、マージン、バリュエーション比率を分析します。センチメントアナリストは、ソーシャルメディアやフォーラムをスクレイピングして小売業者のムードを測定し、恐怖、FOMO、または連携した熱狂の急上昇を見つけ出します。

彼らと並んで、ニュースアナリストは見出し、決算発表、マクロの更新を解析し、訴訟や製品発売、ガイダンスの引き下げなどのカタリストを指摘します。一方、テクニカルアナリストは価格履歴を見つめ、RSIやMACD、移動平均などのよく知られた指標を使ってトレンド、サポート、モメンタムをラベル付けします。各アナリストは、最終的な結論ではなく、構造化されたレポートを作成します。

そして本当のドラマが始まります。ブル/ベアリサーチャーという二人の専門家が登場し、彼らの任務は議論を交わすことです。強気のエージェントは、割安なマルチプル、改善するセンチメント、ポジティブなニュースフローなどの上昇シナリオを厳選します。一方、弱気のエージェントはそれらのポイントを攻撃し、弱い仮定や古くなったデータ、集中リスクや悪化するキャッシュバーンなどの隠れた下方リスクを見つけ出します。

彼らの往復は、設定可能なラウンドで行われます—1回、3回、またはそれ以上—討論の深さと消費するトークンの数に応じて。各ラウンドでは、双方が相手の主張に直接応答しなければならず、自身の主張を新しいリクエストを用いて修正します。目的は合意を得ることではなく、取引の仮説が間違っている可能性をすべて浮き彫りにすることです。

これらを全て俯瞰しながら、専任のトレーダーエージェントがポートフォリオマネージャーのように機能します。エージェントはアナリストの要約と強気・弱気のトランスクリプトを取り込み、すべてを具体的な行動に凝縮します：買う、売る、または保有する。さらに、ポジションのサイズと時間軸も含まれます。トレーダーは、気分ではなく、ファンダメンタルズ、センチメント、ニュース、テクニカルに基づいて証拠を用いて明示的に判断を正当化しなければなりません。

リスクマネージャーは、チェーンの最後に位置し、最終的なサーキットブレーカーの役割を果たします。彼らは確信を下げたり、ポジションサイズを縮小したり、事前に定義された制約に違反する取引—過度なセクターエクスポージャー、過剰なボラティリティ、または弱いリスク/リワード—を拒否することができます。この専門アナリスト、対立する研究者、意思決定者、そして独立したリスクチェックの階層構造は、成功したヘッジファンドやプロップショップが人間のチームを構成する方法を意図的に反映しています。

議論は単なる仕掛けではなく、数字に直接現れます。2024年1月1日から3月29日までのAAPL、GOOGL、AMZNに関するバックテストでは、TradingAgentsのマルチエージェント構成が、単純なベースラインである買って保持する戦略、MACD、RSI、さらには単一エージェントのLLMトレーダーを上回る累積リターンを生成しました。研究者たちは、これら3つの銘柄全体で、議論するエージェントが常にパフォーマンスの上位に位置していると報告しています。

累積リターンは最も理解しやすい指標です：もし1ドルから始めて、期間の終わりに1.25ドルになった場合、それは25%の累積リターンとなります。TradingAgentsは単にBuy & Holdを僅差で上回ったわけではなく、リスクを軽減しつつその実績を達成しました。このリスクの軽減はリスク指標に現れます。

シャープレシオは、あなたが耐えるボラティリティの単位ごとに得られる超過収益の量を測定します。シャープレシオが高いほど、単により多くのお金を稼いでいるだけでなく、道路の凸凹ごとにより多くの報酬を得ていることを意味します。arXivの研究では、マルチエージェントシステムがAAPL、GOOGL、AMZNの中で最も高いシャープレシオを示し、議論は単に上昇を追求するだけでなく、リスクも考慮していることを示唆しています。

マックスドローダウンは、テスト期間中に最も厳しいピークからトラフまでの損失がどれほど大きくなるかを示します。もしあなたの口座が$10,000から$7,000に落ち込み、その後回復した場合、その30%の損失があなたのマックスドローダウンになります。TradingAgentsのマルチエージェント運用は、バイ・アンド・ホールドや指標のみの戦略よりもドローダウンを大幅に抑えました。これは、意見を交わすエージェントが状況が悪化した際にリスクを抑えたことを意味します。

ディベートはメカニズムです。ファンダメンタルズ、センチメント、ニュース、テクニカルエージェントがそれぞれの見解を主張し、一方で強気および弱気のリサーチャーがその主張を問いただします。その後、リスクマネージャーはボラティリティ、ポジションサイズ、または相関関係が危険に見えるときに、取引を拒否したり、縮小したりする明確な権限を持っています。

出てくるのは、全ガスでブレーキなしの量的玩具ではなく、リターンと生存性のバランスを改善することを目指したシステムです。より高い累積リターンは、より良いシャープレシオとコントロールされた最大ドローダウンと組み合わさります。なぜなら、すべてのトレードアイデアは複数の逆境に耐えなければならないからです。この仕組みがどのように機能するかを詳しく調べたい開発者のために、完全なセットアップとバックテストのワークフローは、TradingAgents GitHubリポジトリにあります。

TradingAgentsの内部では、LangGraphというワークフローエンジンが動作しています。これは、LLMエージェントの群れを扱うために構築されています。LangGraphは単一の線形プロンプトではなく、アナリスト、ディベーター、リスクマネージャーを有向グラフに結び付けます：ノードはエージェントを、エッジは誰が誰といつ話すかを定義します。このグラフ構造により、複数ラウンドのディベート、リトライ、およびエラーハンドリングが、カスタムの接着剤コードではなく、構成として機能するようになります。

各実行は、複数のソースに広がるデータ取り込みノードから始まります。標準装備として、TradingAgentsはYahoo Financeから価格と過去の価格を取得し、Alpha Vantageからはファンダメンタルズと日中データを取得し、FinnhubのようなAPIやカスタムフィードにもアクセス可能です。エージェントはその後専門化します：ファンダメンタルズは収益を分析し、センチメントはソーシャルメディアやフォーラムを解析し、ニュースエージェントはヘッドラインをスキャンし、テクニカルはRSIやMACDなどのインジケーターを計算します。

LangGraphはモデル非依存であるため、パイプラインを書き換えることなく異なるLLMバックエンドを切り替えることができます。デフォルトの設定はコスト効率の良い分析のためにGPT-4o-miniに依存していますが、同じグラフは構成変更と新しいAPIキーを用いることでClaudeやGeminiでも実行可能です。この柔軟性により、チームはエージェントごとにレイテンシと価格、または深さと品質を調整することができます。

典型的なセットアップは以下のようになります： - センチメントとニュース用のGPT-4o-mini（高ボリューム、低コスト） - 最終的な取引統合のための大規模なClaudeまたはGPT-4クラスモデル - 定型文チェックやフォーマット用の廉価なオープンウェイトモデル

すべての重い処理がクラウドAPIを介で行われるため、TradingAgentsはGPUや特別なアクセラレーターを必要としません。基本的なPython 3環境があれば、ノートパソコンやクラウドVMで十分です。OpenAI、Anthropic、Google、データプロバイダーのエンドポイントにレート制限内でアクセスできれば問題ありません。これにより、このフレームワークは量的研究クラスタを立ち上げるのではなく、SaaSコンポーネントを接続するような感覚になります。

自分のミニAIトレーディングファームを立ち上げるのは、コーヒーを淹れるのとほぼ同じくらいの時間で済みます。TradingAgentsはプレーンなPythonプロジェクトとして提供されているので、まずはリポジトリをクローンします: `git clone https://github.com/TauricResearch/TradingAgents.git`、そしてフォルダに移動します。GPUやDocker、特別なインフラは必要なく、最新のPython 3インストール（デモでは3.13を使用していますが、実際には3.10以上が動作します）だけで大丈夫です。

次にサンドボックスを作成します。お好みのツールを使用して、孤立した環境を作成してください： - `python -m venv .venv`（または `conda create -n tradingagents python=3.13`） - 有効化します：macOS/Linuxの場合は`source .venv/bin/activate`、Windowsの場合は`.\.venv\Scripts\activate` その後、`pip install -r requirements.txt`を実行してLangGraph、データコネクタ、およびLLMクライアントをインストールします。

APIは唯一の実際のセットアップのハードルですが、それでも軽いものです。OpenAIのキー（またはAnthropic、Googleなど）と市場データ用のAlpha Vantageのキーを取得してください。それらを`.env`ファイルまたは環境変数に配置します—TradingAgentsは`OPENAI_API_KEY`や`ALPHAVANTAGE_API_KEY`のような名前を探します。

キーが整ったら、ビデオの流れをほぼラインごとにコピーすることができます。メインのCLIスクリプトを実行し、ティッカー（例えば、HiltonのHLT）、過去の日付、アナリストセット（ファンダメンタル、センチメント、ニュース、テクニカル、またはすべて）を指定し、次にLLMとディベートの深さを選択します。通常のノートパソコンでは、ゼロからRSIやMACDについて議論するエージェントがいる状態になるまで、通常2分以内です。

`git clone`と`pip install`に慣れている方なら、誰でも参加できます。公式サイトのtradingagents-ai.github.ioでは設定詳細が説明されており、GitHubリポジトリのgithub.com/TauricResearch/TradingAgentsでは、内部からファームを再配線したい場合の完全なLangGraphワークフローが公開されています。

ターミナルを立ち上げると、TradingAgentsは研究論文のような印象をすぐに消し、クオンツで満たされたデスクのように振る舞い始めます。単一のPythonスクリプトを実行し、ティッカー、日付、いくつかのオプションを渡すだけで、シミュレーションされたトレーディングフロアがシェル内で展開されるのを目の当たりにします。

CLIフローは、Better Stackのデモとほぼ正確に一致しています。リポジトリをクローンしてAPIキーを追加した後、`python main.py`のようなコマンドを呼び出すと、ツールが株式シンボルを入力するように促します。例えば、ヒルトンのHLTや、過去の日付を`2025-01-15`のように指定すると、全てのエージェントが市場の固定されたスナップショットを確認できます。

次に、CLIはどのアナリストを部屋に招待したいかを尋ねます。以下のモジュールを切り替えることができます： - マーケットアナリスト - ソーシャルメディア / センチメントアナリスト - ニュースアナリスト - ファンダメンタルズアナリスト - テクニカルアナリスト

次に、リサーチが「どれだけ深く」行われるべきか、つまり推論と議論のラウンド数を選択し、LLMスタックを選びます。デモではOpenAIが使用されていますが、Anthropic、Google、およびその他のモデルも設定を通じて組み込むことができ、異なる役割に異なるモデルを混ぜることも可能です。

エンターを押すと、画面は単なるスクリプトからライブオペレーションログのように変わります。ファンダメンタルズは収益とキャッシュフローを解析し、センチメントはソーシャルフィードやフォーラムをスクリーニングし、ニュースはヘッドラインや規制文書を探し出し、テクニカル分析は歴史的なHLTチャート上でRSI、MACD、トレンドラインを計算します。

データ収集フェーズの後、ブルとベアのエージェントが登場し、実際の議論が始まります。CLIは進行中のトランスクリプトを表示します。ブルは上昇の要因を挙げます—RevPARの成長、アセットライトのマージン、パンデミック後の旅行需要—それに対してベアはマクロリスク、バリュエーションの倍数、金利上昇への感度で反論します。

明確な呼びかけと応答のラウンドが見られ、各側が相手の前提に攻撃を仕掛けます。その後、トレーダーまたはマネージャーエージェントが議論を統合し、両側の強力なポイントを引用し、最終的な買い/売り/保留の推奨を作成し、目標期間とリスクについてのメモを添えます。

そのトランスクリプトがスクロールする瞬間が魔法の瞬間です。「HLTを買え」という一行ではなく、ジュニアアナリストとシニアアナリストが株の提案を詰めているかのような物語が得られ、TradingAgents: Multi-Agents LLM Financial Trading Framework (arXiv論文)で説明されているマルチエージェントのダイナミクスを密接に反映しています。

AIエージェント同士の議論は、計算サイクルだけでなく、実際のお金も消費します。追加のアナリストや、追加のディベートラウンドが増えるたびに、プロンプトが増え、コンテキストウィンドウが増え、モデルのレスポンスが増えます。TradingAgentsのようなフレームワークでは、単一の「深い」株取引実行で、ファンダメンタルズ、センチメント、ニュース、テクニカル、ブル/ベアリサーチャー、そして最終的なトレーダーシンセシスを通じて数万トークンを消費することになります。

これらのトークンはAPI料金に直接関連しています。GPT-4oやClaude Opusを複数回使用すれば、特に「リサーチ深度」やディベートループを強化すれば、日ごとに数ドル程度のコストで済みます。数か月分の過去のデータを使って少量のポートフォリオをバックテストすれば、エージェントの呼び出しごとに請求額が直線的に増加します。

非決定性は、第二のコスト、すなわち不確実性を追加します。同じ日付に同じ設定でヒルトン (HLT) を2回実行すると、異なる取引推奨や異なるナラティブが得られることがあります。これは確率的なLLMサンプリングに内在するものであり、温度を下げたりシードを固定したりすることはできますが、それでも従来のクオンツ的な意味での決定論的なバックテスト可能な戦略のように出力を扱うことはできません。

開発者にとって、それは再現性がプロジェクト自体になることを意味します。LangGraphでは、すべてのプロンプト、レスポンス、および中間状態をログに記録し、実行を意味のあるものとして比較するためにモデルのバージョンや設定を固定する必要があるかもしれません。それでも、ビット単位で同一の取引を期待するのではなく、多くのシミュレーションを通じて統計的に動作を検証します。

ハードリミットはコードの外にも存在します。各プロバイダーはAPIレートリミットを施行しており、マルチエージェントやマルチラウンドのワークフローは、特に複数のティッカーや日付にまたがって作業を行う場合、分単位や日単位の上限にすぐに達してしまう可能性があります。並列処理は可能ですが、OpenAI、Anthropic、またはGoogleが制限をかけ始めるまでの間だけです。

データの質は、もう一つの脆弱な要素です。TradingAgentsはYahoo Finance、Alpha Vantage、Finnhub、ニュースやソーシャルフィードに依存していますが、古い価格、欠落した提出書類、またはノイズの多いセンチメントが、エージェントを自信を持って間違った結論に導く可能性があります。現在のところ、このシステムは個別株に最も適しており、暗号通貨については実験的な利用しかなく、ETFやオプション、複雑なポートフォリオに対する真剣なサポートはありません。現時点では、プラグアンドプレイの取引エンジンというよりも、高価な非決定論的な研究ラボのように機能しています。

コマンドラインモードは素晴らしいデモを提供しますが、TradingAgentsはPythonを編集し始めると本領を発揮します。このリポジトリには、LangGraphのワークフロー、デフォルトエージェント、および設定の読み込みを接続するmain.pyテンプレートが付属しています。CLIフラグをハードコーディングされたパラメータや独自の関数呼び出しに置き換えることで、任意のPythonアプリやノートブックからスクリプトを作成できるプログラム可能な「AIデスク」を手に入れることができます。

構成は構造化された設定ファイルとヘルパークラスに存在するため、動作を変更するためにグラフの配線に触れる必要はありません。標準では、TradingAgentsはGPT‑4o‑miniのようなモデルをターゲットにしていますが、設定ファイル内のLLMプロバイダー、モデル名、APIキーを変更することでAnthropicやGoogleのモデルを指し示すことが可能です。より深い推論を望む場合は、コンテキストウィンドウを拡大するか、より大きなモデルティアに切り替えることで、引数がさらに詳細になり、コストも上昇します。

ディベートの深さは単なる調整器です。このフレームワークでは、強気と弱気のエージェント間、時にはリスクの高い取引プロファイルと安全な取引プロファイル間のディベートラウンドの数を設定できます。クイックスキャンのためには1に設定し、オフラインバックテストを行う際に余計なトークンを使える場合は3〜5ラウンドに設定してください。

選択に伴ってコストは線形に増加します。ラウンド数が増え、モデルが大きくなり、エージェントが増えるほど、APIコールが増加します。単一のティッカーの単一の日付において、1ラウンドから4ラウンドに増やすと、トークンの使用量が数倍に増える可能性があるため、真剣なユーザーはおそらく実行時に予算ガードや最大トークンキャップをスクリプトするでしょう。

モジュラリティは、高度なユーザーが自由に活用する場所です。各アナリスト—ファンダメンタルズ、センチメント、ニュース、テクニカル—は、LangGraphグラフのノードの一つに過ぎないため、システムを書き換えることなく新しい役割を追加できます。例えば： - Form 4申告を取得するインサイダー取引ウォッチャー - FREDやECBデータを取り込むマクロ経済エージェント - オンチェーンメトリクスを読むクリプト市場のスペシャリスト

新しいデータソースをツールとして接続します：Yahoo Finance、Alpha Vantage、Finnhub、または内部のPostgreSQL。新しいエージェントをディベートループに組み込み、最終的な統合に投票させれば、同じオープンフレームワークの上に独自のカスタムAIトレーディングチームを効果的に構築したことになります。

AIエージェントがヒルトン株について議論するのはニッチに感じるかもしれませんが、TradingAgentsの背後にあるパターンは金融を超えたものです。これは、マルチエージェントシステムがマーケティングダッシュボードからIDEに至るまで、すべてに浸透するためのひな形を目撃しているのです。実際のチームが矛盾する証拠を収集する場所では、議論し、調整し、その推論を文書化する専門のボットを組み込むことができます。

マーケティングチームはこのアーキテクチャを「バーチャル・グロース・スクワッド」に転換できます。一人のエージェントがCRMデータを分析し、別のエージェントがTikTokやRedditから感情を収集し、三人目が競合の広告クリエイティブをリバースエンジニアリングし、四人目はCACや回収期間について懐疑的な意見を述べます。彼らは予算配分について議論し、明確な利点、欠点、リスクシナリオが示されたメディアプランを作成します。

研究機関も同様のことができます。以下のような文献レビューグラフを想像してください： - 1つのエージェントがarXivとPubMedを調査 - 1つが方法論とp-hackingを攻撃 - 1つが再現性と実世界の制約に焦点を当て - 1つが引用を用いた立場文書を統合

それがTradingAgentsで、株式の代わりに科学的ワークフロー用に再デザインされています。

ソフトウェア開発は次の明白なステップかもしれません。次のようなエージェントを組織することができます： - JiraチケットやSlackスレッドを解析する要件エージェント - 設計を提案するアーキテクチャエージェント - すべての変更を検証するセキュリティエージェント - 回帰スイートを生成し維持するテストエージェント

彼らは、レイテンシと信頼性、DXとコンプライアンスのトレードオフについて議論し、最終的に「テックリード」エージェントがプルリクエストのドラフトにサインオフします。

これは、LangGraph、AutoGen、crewAIのようなAIエージェントフレームワークの広範なブームに適しています。TradingAgentsは、役割、データフロー、討論ループを騒がしい現実の入力と接触しても実際に生き残る方法で構築する方法を示しています。2024年1月から3月のバックテストは、MACDを打ち負かすことよりも、協調的なエージェントが単一の全知のLLMを上回ることができることを証明することに重きを置いています。

これらのシステムを扱うことに慣れた開発者は、2016年の初期Kubernetes採用者たちがいた場所に座ることになるでしょう。グラフダイアグラム、設定、そしてTradingAgents公式ウェブサイトでの設定に関して議論してください。そして、2025年に本当に重要なことを一つ行いましょう：実験し、壊し、再配線するのです。それはオープンソースです。

AIエージェントの委員会は現在はニッチに感じられますが、その軌跡は馴染みがあります：趣味のGitHubリポジトリからインフラへ。TradingAgentsはすでに単なるおもちゃ以上の存在であり、そのarXivのバックテストは、2024年1月から3月のAAPL、GOOGL、AMZNにおいて、買い持ちまたは単一エージェントのLLMベースラインよりも高い累積リターンとシャープレシオを示しています。2分以内に合成取引デスクを立ち上げることができれば、合成の何かを立ち上げることも想像できるでしょう。

ロビンフッド、ウェブル、またはeToroなどの消費者ブローカーは、このパターンを使いやすいUIで簡単に包み込むことができます。「この株を説明する」というボタンの代わりに、次の選択肢から選ぶことができるかもしれません： - 用心深いリスクマネージャー - 積極的なモメンタムトレーダー - 逆張りのマクロアナリスト

各社は単なる「買い」や「売り」の一行ではなく、内部の議論ログを公開することになるでしょう。

プロフェッショナルの側面では、quant プラットフォームはすでにアンサンブルモデルやリサーチターミナルに対して費用を支払っています。洗練されたTradingAgentsスタイルのシステムは、BloombergやKoyfinの画面の隣に置かれ、マルチエージェントのナラティブを既存のファクターモデルに流し込むことができます。不透明なモデルスコアではなく、PMは構造化された議論を見ることができるでしょう：ファンダメンタルズ対センチメント対テクニカル、さらに特定の10-Kセクション、ニュース記事、ソーシャルメディアの投稿へのリンクが含まれます。

実際の生産利用には真剣なエンジニアリングが求められます。信頼性とは、エージェントを厳格なリスク制限、決定的なフォールバック、および再現可能な意思決定トレースで制約することを意味します。以下のためにガードレールが必要です： - エージェント間のプロンプトインジェクションおよびデータ流出 - 信号を汚染する幻覚的な数字 - あるエージェントの上流APIがダウンした際の静かな失敗

セキュリティとコンプライアンスは、正確性と同じくらい重要です。マルチエージェント取引スタックは、監査のためにすべてのプロンプト、応答、およびデータソースを記録し、SOC 2レビューに耐え、市場の不正行為ルールを遵守しなければなりません。これは、サンドボックス化されたツール、厳格な役割ベースのアクセス、そしてユニットテストと同じくらい厳密なモデル挙動テストを意味します。

リアルタイムデータ統合が再びレベルを引き上げます。Polygon、Alpha Vantage、または直接取引所接続からの低遅延フィードは、LLMのレート制限やトークン予算を超えることなくエージェントに流れ込む必要があります。ストリーミングアーキテクチャ、繰り返しの基本データのキャッシュ、そして超高速チェック用の小型オンプレミスモデルが必要であり、一方でより大きなモデルが深い議論を処理します。

長期的にAIのメンタルモデルにどのような変化があるでしょうか。すべてを「知っている」単一の神託ではなく、協働的で説明可能なAIチームが登場し、計算機よりも同僚のように振る舞います。人間はプロセスに関与し続けますが、その役割は回答を求めることから合成専門家の会議を主宰し、信じるべき意見を決定することへとシフトします。

TradingAgentsとは何ですか？

TradingAgentsは、複数の専門的なAIエージェントを使用してトレーディング会社をシミュレートするオープンソースのPythonフレームワークです。これらのエージェントは、さまざまな視点から株式を分析し、その結果を議論し、共同でシミュレートされた取引を決定します。

TradingAgentsは実際のお金の取引において安全ですか？

いいえ。このプロジェクトは、開発者向けのシミュレーションおよび研究ツールとして明示的に設計されています。実験的な性質と不安定な出力のため、実際の資金を使ったライブトレーディングには使用すべきではありません。

TradingAgentsが使用できるAIモデルは何ですか？

非常にモジュール式であり、OpenAI（GPT-4など）、Anthropic（Claude）、Google（Gemini）など、さまざまな大規模言語モデル（LLM）をサポートしており、ユーザーはコストと能力に基づいて選択できます。

どのようにして単一のAIモデルよりも優れているのでしょうか？

人間の専門家チームを模倣することで、そのマルチエージェントシステムは多様な視点（例：ファンダメンタル、センチメント、テクニカル）を捉え、議論を通じてリスク管理を組み込んでいます。この協力的なプロセスは、単一のモノリシックAIよりも、より堅牢でバランスの取れた意思決定をもたらします。