Этот ИИ отстаивает свою прибыль.

Уолл-стрит теперь предлагает новый вид "командных встреч": комната, полная AI-агентов, спорящих о том, стоит ли покупать, продавать или полностью игнорировать акции Hilton. Не одна гигантская модель, выдающая цену, а смоделированный хедж-фонд, где боты переписываются, опровергают друг друга и в конечном итоге принимают решение о сделке. Все это работает на вашем ноутбуке и поддерживается проектом с открытым исходным кодом под названием TradingAgents.

Единичные, монолитные модели сталкиваются с трудностями при такой работе. Попросите одиночную LLM «проанализировать HLT 1 марта 2025 года», и она должна совместить основы, графики, новости, общественное мнение и риски в одном объеме. Это, как правило, приводит к общим ответам, поверхностным размышлениям и отсутствию реального чувства внутреннего несогласия или неопределенности.

TradingAgents принимает противоположный подход: специализация и конфликт. Вы создаете аналитика по фундаментальным данным для анализа доходов, эксперта по настроениям для сбора данных из социальных сетей, новостного аналитика для обработки заголовков и технического аналитика для анализа индикаторов, таких как RSI и MACD. Кроме того, бычьи и медвежьи исследователи спорят о потенциале роста и рисках, прежде чем трейдер и менеджер по рискам синтезируют все это в окончательное решение.

Все это основано на LangGraph, фреймворке для многопользовательских рабочих процессов, созданном на Python. Вы выбираете свою модель — GPT-4, Claude, Gemini или более дешевый вариант — подключаете данные из Yahoo Finance или Alpha Vantage и позволяете агентам работать. Никакого GPU, никаких закрытых систем, только репозиторий на GitHub и пара ключей API.

На выходе удивительно получается небольшая квантовая команда. Аналитики работают параллельно, обсуждают в нескольких раундах и проводя бэктесты на исторических данных, таких как январь-март 2024 года, по тикерам AAPL, GOOGL и AMZN. Исследователи сообщают о более высоких совокупных доходностях и коэффициентах Шарпа, чем у простых стратегий MACD/RSI или одноагентных базовых моделей LLM, с меньшими максимальными просадками.

Это еще не Робин Гуд для роботов — TradingAgents сосредоточен на симуляции и бэктестировании, а не на реальном исполнении. Но это предвосхищает будущее, в котором рабочие процессы с использованием ИИ — это не просто «задай боту вопрос», а «создай комитет, заставь его не соглашаться и торгуй только когда все утихнет».

Забудьте о едином всезнающем боте. TradingAgents создает мини-биржевой зал в коде, начиная с четырех ключевых аналитических ролей, работающих параллельно над одним тикером и датой. Аналитик по фундаментальным показателям анализирует отчеты о доходах, денежные потоки, маржи и коэффициенты оценки, полученные из источников, таких как Yahoo Finance и Alpha Vantage. Аналитик по настроению собирает данные из социальных сетей и форумов, чтобы оценить настроение розничных инвесторов, выявляя всплески страха, FOMO или скоординированного ажиотажа.

Рядом с ними, новостной аналитик анализирует заголовки, отчёты о прибылях и убытках, а также макрообновления, чтобы выявить катализаторы, такие как судебные иски, запуски продуктов или сокращения прогнозов. Технический аналитик исследует историю цен, используя знакомые индикаторы, такие как RSI, MACD и скользящие средние, чтобы обозначить тренды, уровни поддержки и импульс. Каждый агент готовит структурированный отчет, а не окончательное вердикт.

Тогда начинается настоящая драма. Появляются два специализированных Исследователя Быков/Медведей, чья единственная задача — спорить. Бычи́й агент выбирает оптимистичные сценарии — недооцененные мультипликаторы, улучшающееся настроение, положительный поток новостей — в то время как медвежий агент атакует эти точки, выискивая слабые предположения, устаревшие данные или скрытые риски, такие как концентрационный риск или ухудшающееся потребление наличных средств.

Их обмен мнениями проходит в настраиваемых раундах — один, три или больше — в зависимости от того, насколько глубокой вы хотите видеть дискуссию и сколько токенов готовы потратить. Каждый раунд заставляет обе стороны напрямую реагировать на утверждения друг друга, пересматривая свои собственные тезисы с использованием новых запросов к основному языковому моделированию. Цель не в достижении консенсуса; задача — выявить все plausibly возможные способы, по которым торговая теория может оказаться ошибочной.

Парящий над всем этим, специализированный агент Трейдер ведет себя как менеджер портфеля. Он обрабатывает резюме аналитиков и стенограммы бычьих и медвежьих прогнозов, а затем сводит все к конкретному действию: купить, продать или удержать, а также размер позиции и временной горизонт. Трейдер должен явно обосновать свое решение, используя доказательства из фундаментальных факторов, сентимента, новостей и технического анализа, а не интуиции.

Менеджер по рискам занимает место в конечной точке цепочки как последний защитный механизм. Он может понизить степень уверенности, уменьшить размеры позиций или наложить вето на сделки, которые нарушают заранее определенные ограничения — слишком большое секторальное воздействие, чрезмерная волатильность или слабая риск/возврат. Эта иерархия специализированных аналитиков, антагонистических исследователей, принимающего решения человека и независимой проверки рисков намеренно отражает структуру человеческих команд успешных хедж-фондов и проп-трейдинговых компаний.

Аргументы здесь — это не просто уловка; они прямо проявляются в цифрах. В обратных тестах с 1 января по 29 марта 2024 года по AAPL, GOOGL и AMZN, многопользовательская система TradingAgents показала более высокую кумулятивную доходность, чем простые базовые стратегии, такие как Buy & Hold, MACD, RSI и даже трейдеры с одним агентом на основе LLM. Исследователи сообщают, что среди этих трех акций дебатирующие агенты постоянно занимали верхние позиции по показателям производительности.

Кумулятивная доходность - это самый простой для понимания показатель: если вы начали с $1 и закончили период с $1.25, то это 25% кумулятивной доходности. TradingAgents не просто немного опередил стратегию «Buy & Hold»; он превзошел ее, обеспечив более ровное движение. Это сглаживание проявляется в показателях риска.

Коэффициент Шарпа измеряет, сколько избыточной прибыли вы получаете за каждую единицу волатильности, которую вы испытываете. Более высокий коэффициент Шарпа означает, что вы не просто зарабатываете больше денег, вы получаете больше вознаграждения за каждое препятствие на пути. В исследовании на arXiv многогранная система показала самый высокий коэффициент Шарпа для AAPL, GOOGL и AMZN, сигнализируя о том, что дебаты не просто стремились к прибыли, они учитывали риск.

Максимальная просадка показывает, насколько велика худшая потеря от пика до низины за период тестирования. Если ваш счет падает с 10 000 долларов до 7 000 долларов, прежде чем восстановиться, эта 30% потеря и будет вашей максимальной просадкой. Многоагентские стратегии TradingAgents значительно снижали просадки по сравнению с стратегиями «Купи и держи» и только индикаторами, что означает, что конкуирующие агенты снижали риск, когда условия становились неблагоприятными.

Дебаты — это механизм. Фундаментальные показатели, настроение рынка, новости и технические факторы каждый выдвигают свою точку зрения, в то время как бычьи и медвежьи аналитики подвергают эти утверждения сомнению. Менеджер по рискам имеет явное право накладывать вето или уменьшать объем сделок, когда волатильность, размер позиции или корреляции выглядят опасными.

То, что возникает, — это не просто игрушка на основе алгоритмов, а система, которая нацелена на лучшее соотношение между доходностью и выживанием. Более высокие кумулятивные доходности сочетаются с лучшими показателями Шарпа и контролируемым максимальным просадкой, потому что каждая торговая идея должна пройти несколько adversarial проверок. Для разработчиков, желающих изучить, как это работает изнутри, полный набор инструментов и рабочий процесс бэктестирования доступны в репозитории TradingAgents на GitHub.

Под капотом TradingAgents работает на LangGraph, движке рабочего процесса, созданном для управления роями LLM-агентов. Вместо одной линейной подсказки LangGraph связывает аналитиков, дебатеров и менеджеров по рискам в ориентированный граф: узлы – это агенты, а связи определяют, кто с кем и когда общается. Эта графовая структура делает многократные дебаты, повторные попытки и обработку ошибок похожими на конфигурацию, а не на пользовательский код-смешиватель.

Каждый процесс начинается с узлов ввода данных, которые распределяются по нескольким источникам. В стандартной комплектации TradingAgents извлекает котировки и исторические цены с Yahoo Finance, фундаментальные данные и внутридневные котировки с Alpha Vantage, а также может подключаться к API, таким как Finnhub или пользовательские ленты данных. Агенты затем специализируются: фундаментальные анализы обрабатывают прибыль, агенты настроений анализируют социальные сети и форумы, новостные агенты сканируют заголовки, а технические анализы вычисляют индикаторы, такие как RSI и MACD.

Поскольку LangGraph не зависим от модели, вы можете легко подставлять различные бэкенды LLM без необходимости переписывать пайплайн. В стандартной конфигурации используется GPT-4o-mini для экономичного анализа, но тот же граф можно запустить на Claude или Gemini с изменением конфигурации и новыми API-ключами. Эта гибкость позволяет командам настраивать параметры под требования по задержке и цене или глубине и качеству для каждого агента отдельно.

Типичная конфигурация может выглядеть следующим образом: - GPT-4o-mini для анализа сентимента и новостей (высокий объем, низкая стоимость) - Более крупная модель класса Claude или GPT-4 для окончательной синтеза торговых данных - Более дешевая модель с открытыми весами для проверки стандартных текстов или форматирования

Поскольку все тяжелые вычисления происходят через облачные API, TradingAgents не требует GPU или специализированных ускорителей. Достаточно базовой среды Python 3 на ноутбуке или облачной виртуальной машине, если она может подключаться к конечным точкам OpenAI, Anthropic, Google и поставщиков данных в пределах их лимитов. Это делает платформу более похожей на подключение компонентов SaaS, чем на создание кластера количественных исследований.

Создание собственного мини AI трейдингового предприятия теперь занимает столько же времени, сколько заваривание кофе. TradingAgents представляет собой простой проект на Python, поэтому начните с клонирования репозитория: `git clone https://github.com/TauricResearch/TradingAgents.git` и перейдите в папку с помощью `cd`. Не требуются GPU, Docker или экзотическая инфраструктура — только свежая версия Python 3 (демонстрация использует 3.13, но 3.10+ работает на практике).

Далее идет песочница. Создайте изолированную среду, используя ваш инструмент по выбору: - `python -m venv .venv` (или `conda create -n tradingagents python=3.13`) - Активируйте её: `source .venv/bin/activate` на macOS/Linux, `.\.venv\Scripts\activate` на Windows. Затем выполните `pip install -r requirements.txt`, чтобы установить LangGraph, коннекторы данных и клиентов LLM.

API являются единственным реальным препятствием на этапе настройки, и даже это несложно. Получите ключ OpenAI (или Anthropic, Google и т.д.) и ключ Alpha Vantage для рыночных данных. Поместите их в файл `.env` или переменные окружения — TradingAgents ищет такие названия, как `OPENAI_API_KEY` и `ALPHAVANTAGE_API_KEY`.

Как только ключи будут установлены, вы сможете скопировать поток видео почти дословно. Запустите основной сценарий CLI, введите тикер (например, HLT для Hilton), укажите историческую дату, выберите набор аналитиков (фундаментальный анализ, сентимент, новости, технический анализ или все), затем выберите вашу LLM и глубину дебатов. Обычно от нуля до агентов, спорящих о RSI и MACD, проходит менее 2 минут на обычном ноутбуке.

Любой, кто хорошо шарит в `git clone` и `pip install`, сможет разобраться. Официальный сайт tradingagents-ai.github.io подробно объясняет детали настройки, в то время как репозиторий на GitHub github.com/TauricResearch/TradingAgents предоставляет полный рабочий процесс LangGraph, если вы хотите начать перепрограммировать компанию изнутри.

Запустите терминал, и TradingAgents мгновенно перестает походить на научную работу и начинает действовать как стол, полный квантиков. Вы запускаете один скрипт на Python, передаете тикер, дату и несколько опций, и наблюдаете, как в вашем терминале разгорается симулированная торговая площадка.

Поток CLI почти точно повторяет демонстрацию Better Stack. После клонирования репозитория и добавления API-ключей вы вызываете что-то вроде `python main.py`, и инструмент запрашивает у вас символ акции — скажем, HLT для Hilton — и историческую дату, например `2025-01-15`, чтобы каждый агент увидел замороженную снимок рынка.

Далее CLI спрашивает, каких аналитиков вы хотите привлечь в комнату. Вы можете переключать модули, такие как: - Рыночный аналитик - Аналитик социальных медиа / настроений - Новостной аналитик - Аналитик фундаментальных данных - Технический аналитик

Затем вы выбираете, насколько «глубоким» должно быть исследование — по сути, количество раундов рассуждений и дебатов — и выбираете свой стек LLM. Демонстрация использует OpenAI, но модели Anthropic, Google и другие могут быть настроены через конфигурацию, и вы даже можете смешать две модели, чтобы разные роли использовали разные «мозги».

Как только вы нажимаете Enter, экран уже не выглядит как простой сценарий, а скорее как живой журнал операций. Фундаментальные показатели начинают анализировать доходы и денежные потоки, сентимент извлекает данные из социальных сетей и форумов, новости ищут заголовки и регулирующие документы, а технические индикаторы обрабатывают RSI, MACD и трендовые линии на историческом графике HLT.

После фазы сбора данных вступают агенты Бык и Медведь, и начинается настоящая дискуссия. CLI распечатывает текущий текст: Бык выделяет позитивные факторы — рост RevPAR, маржи без активов, спрос на путешествия после пандемии — в то время как Медведь отвечает макроэкономическими рисками, коэффициентами оценки и чувствительностью к повышению процентных ставок.

Вы видите явные раунды вопрос-ответ, где каждая сторона атакует предположения другой. Затем трейдер или менеджер обобщает дебаты, приводит самые сильные аргументы с обеих сторон и предоставляет окончательную рекомендацию покупать/продавать/удерживать с указанием целевого горизонта и заметок о рисках.

Наблюдение за прокруткой этого транскрипта — это волшебный момент. Вместо односложной фразы "Купите HLT", вы получаете рассказ, который звучит так, будто младшие и старшие аналитики обсуждают инвестиционное предложение, тесно перекликаясь с многоагентной динамикой, описанной в TradingAgents: Многоагентная LLM Финансовая Торговая Архитектура (статья arXiv).

Споры между агентами ИИ не только стоят вычислительных ресурсов; они обходятся в реальные деньги. Каждое дополнительное обсуждение, каждое новое раунд дебатов подразумевает больше запросов, больше контекстных окон и больше ответов модели. На таком фреймворке, как TradingAgents, один «глубокий» анализ акций может потреблять десятки тысяч токенов, включая фундаментальные данные, настроения, новости, технический анализ, исследования быков/медведей и финальную синтезу трейдера.

Эти токены напрямую соответствуют затратам на API. Используйте GPT‑4o или Claude Opus с несколькими итерациями, и вы можете достичь нескольких долларов за тикер за дату, не прилагая особых усилий, особенно если увеличить "глубину исследования" и количество дебатов. Запустите небольшой портфель за несколько месяцев исторических дат для бэктестирования, и счет будет расти линейно с каждым вызовом агента.

Недетерминизм добавляет второй вид стоимости: неопределённость. Запустите Hilton (HLT) в одну и ту же дату дважды с одной и той же конфигурацией, и вы можете получить разные торговые рекомендации и даже разные narratives. Это присуще стохастической выборке LLM, и хотя вы можете понизить температуру или зафиксировать семена, вы всё равно не можете рассматривать выводы как детерминированную стратегию, поддающуюся бэктестированию в традиционном количественном смысле.

Для разработчиков это означает, что воспроизводимость становится отдельным проектом. Вам может понадобиться регистрировать каждый запрос, ответ и промежуточное состояние в LangGraph, а затем фиксировать версии моделей и конфигурации, чтобы можно было осмысленно сравнивать запуски. Даже в таком случае вы проверяете поведение статистически на протяжении множества симуляций, а не ожидая идентичных торгов побитно.

Жесткие ограничения также выходят за рамки кода. Каждый провайдер накладывает ограничения на скорость API, поэтому многоагентный, многораундный рабочий процесс может быстро натолкнуться на пределы по количеству запросов в минуту или день, особенно когда вы работаете с несколькими тикерами или датами. Вы можете параллелить, но только до тех пор, пока OpenAI, Anthropic или Google не начнут ограничивать вас.

Качество данных является еще одной уязвимой стороной. TradingAgents опирается на Yahoo Finance, Alpha Vantage, Finnhub и новостные/социальные ленты; устаревшие цены, отсутствующие отчеты или шумные сентименты могут привести агентов к уверенно неправильным выводам. В настоящее время система лучше всего настраивается под отдельные акции, с экспериментальным использованием на криптовалютах и без серьезной поддержки для ETF, опционов или сложных портфелей. Пока она больше похожа на дорогую, недетерминированную исследовательскую лабораторию, чем на торговый движок типа "включил и работай".

Режим командной строки отлично подходит для демонстрации, но TradingAgents действительно раскрывается, когда вы начинаете редактировать код на Python. Репозиторий поставляется с шаблоном main.py, который связывает рабочий процесс LangGraph, агентами по умолчанию и загрузкой конфигурации. Замените флаги командной строки на жестко закодированные параметры или ваши собственные вызовы функций, и вы получите программируемый "AI рабочий стол", который можно скриптовать из любого приложения на Python или ноутбука.

Конфигурация хранится в структурированных файлах конфигурации и вспомогательных классах, поэтому вам не нужно изменять соединения графа, чтобы изменить поведение. "Из коробки" TradingAgents нацеливается на модели, такие как GPT‑4o‑mini, но вы можете направить его на модели Anthropic или Google, изменив поставщика LLM, имя модели и ключ API в конфигурации. Если вам нужно более глубокое рассуждение, увеличьте размер окна контекста или переключитесь на более высокий уровень модели и наблюдайте, как аргументы становятся более тонкими — и более дорогими.

Глубина дебатов — это просто еще одна настройка. Система открывает параметры для количества раундов дебатов между бычьими и медвежьими агентами, а иногда и между рискованными и безопасными торговыми профилями. Установите ее на 1 для быстрых сканирований или увеличьте до 3–5 раундов, когда вы проводите медленный оффлайн-тест и можете позволить себе дополнительные токены.

Затраты масштабируются линейно с этими выборами. Большее количество раундов × большие модели × большее количество агентов означает большее количество вызовов API. Для одного тикера в одну дату переход от 1 к 4 раундам дебатов может многократно увеличить использование токенов, поэтому серьезные пользователи, вероятно, будут создавать сценарии для защиты бюджета или устанавливать максимальные лимиты на токены во время своих запросов.

Модульность — это то место, где продвинутые пользователи проявляют свою креативность. Каждый аналитик — будь то по фундаментальным данным, настроению, новостям или техническому анализу — является узлом в графе LangGraph, что позволяет добавлять новые роли без переписывания системы. Подумайте о: - Наблюдателе за инсайдерской торговлей, извлекающем данные из форм 4 - Агента по макроэкономике, собирающего данные FRED или ЕЦБ - Специалисте по криптовалютному рынку, анализирующем метрики на блокчейне

Новые источники данных подключаются в качестве инструментов: Yahoo Finance, Alpha Vantage, Finnhub или ваша собственная база данных PostgreSQL. Подключите нового агента в цикл обсуждений, дайте ему право голоса в финальном синтезе, и вы фактически построите свою собственную команду AI для трейдинга на основе одной и той же открытой структуры.

Аргументы ИИ-агентов о акциях Hilton могут показаться узкоспециализированными, но шаблон, стоящий за TradingAgents, значительно шире, чем финансы. Вы наблюдаете за образцом того, как многоагентные системы будут проникают во всё — от маркетинговых панелей до сред разработки. В любых ситуациях, где команда сталкивается с противоречивыми данными, можно внедрить специализированные боты, которые будут дискутировать, согласовывать и документировать свои рассуждения.

Маркетинговые команды могут преобразовать эту архитектуру в «виртуальную команду роста». Один агент анализирует данные CRM, другой собирает информацию из TikTok и Reddit для оценки настроений, третий занимается обратной разработкой рекламных креативов конкурентов, а четвертый выступает скептиком по поводу CAC и периодов окупаемости. Они обсуждают распределение бюджета, а затем представляют медиаплан с четкими преимуществами, недостатками и сценариями рисков.

Организации по исследованию могут делать то же самое. Представьте себе граф литературы, где: - Один агент ищет информацию в arXiv и PubMed - Один атакует методологию и п-хакерство - Один фокусируется на воспроизведении и реальных ограничениях - Один синтезирует позиционную статью с цитированиями

Это TradingAgents, просто адаптированный для научных рабочих процессов вместо акций.

Разработка программного обеспечения может быть следующим очевидным шагом. Вы могли бы создать: - Агента по требованиям, который анализирует тикеты в Jira и обсуждения в Slack - Агента по архитектуре, который предлагает дизайны - Агента по безопасности, который проводит тесты на уязвимость для каждого изменения - Агента по тестированию, который генерирует и поддерживает регрессионные тесты

Они спорят о компромиссах — задержка против надежности, опыт разработки против соблюдения стандартов — прежде чем финальный «технический лидер» подпишет черновик запроса на изменение.

Это соответствует более широкому буму в рамках ИИ-агентов, таких как LangGraph, AutoGen и crewAI. TradingAgents демонстрирует, как структурировать роли, потоки данных и циклы обсуждений таким образом, чтобы они действительно выдерживали контакт с шумными реальными входными данными. Бэктест с января по март 2024 года больше направлен на то, чтобы доказать, что координируемые агенты могут превзойти одного всеведущего LLM, чем на победу над MACD.

Разработчики, которые сейчас научатся эффективно управлять этими системами, окажутся в том же положении, что и ранние адоптеры Kubernetes в 2016 году. Изучите графики, конфигурации и обсуждайте настройки на Официальном сайте TradingAgents. А затем сделайте единственное, что действительно имеет значение в 2025 году: экспериментируйте, ломайте, переподключайте. Это открытый код.

Комитеты ИИ-агентов сегодня кажутся нишевыми, но траектория выглядит знакомо: от хоббийных репозиториев на GitHub до инфраструктуры. TradingAgents уже более чем просто игрушка; его бэктесты на arXiv показывают более высокие совокупные доходности и коэффициенты Шарпа по сравнению с стратегиями "купить и держать" или одиночными агентами LLM на акциях AAPL, GOOGL и AMZN в период с января по март 2024 года. Как только вы сможете запустить синтетический торговый стол за менее чем 2 минуты, вы сможете представить запуск синтетических решений в любых областях.

Потребительские брокеры, такие как Robinhood, Webull или eToro, могли бы легко обернуть этот паттерн в дружелюбный интерфейс. Вместо одной кнопки «Объяснить эту акцию» вы могли бы выбрать из: - Осторожного Менеджера по рискам - Агрессивного Трейдера на моментуме - Контрящего Макроаналитика

Каждый из них представит свой внутренний журнал дебатов, а не просто односложные «Покупка» или «Продажа».

С профессиональной стороны quant платформы уже оплачивают ансамблевые модели и исследовательские терминалы. Усовершенствованная система в стиле TradingAgents могла бы находиться рядом со экраном Bloomberg или Koyfin, передавая многоагентные нарративы в существующие факторные модели. Вместо непрозрачных оценок моделей, портфельный менеджер увидел бы структурированный аргумент: фундаментальные показатели против настроений против технических анализов, с ссылками на конкретные разделы 10-К, новостные статьи и публикации в соцсетях.

Серьезное производство требует серьезной инженерии. Надежность означает ограничение агентов жесткими пределами риска, предсказуемыми резервными планами и воспроизводимыми следами решений. Вам нужны защитные меры для: - Инъекций запросов и эксфиляции данных между агентами - Галлюцинированных чисел, заражающих сигналы - Тихих сбоев, когда не работает API одного из агентов

Безопасность и соответствие так же важны, как и точность. Многоагентная торговая система должна регистрировать каждую подсказку, ответ и источник данных для аудита, проходить проверки SOC 2 и соблюдать правила о рыночных злоупотреблениях. Это подразумевает наличие изолированных инструментов, строгий доступ на основе ролей и тесты поведения моделей, столь же жесткие, как модульные тесты.

Интеграция данных в реальном времени снова поднимает планку. Низколатентные потоки от Polygon, Alpha Vantage или прямые подключения к обменам должны поступать в агентам, не превышая лимиты по скорости LLM или бюджеты токенов. Вам нужны стриминговые архитектуры, кэширование повторяющихся фундаментальных данных и, возможно, небольшие локальные модели для ультрабыстрых проверок, в то время как более крупные модели будут заниматься более глубокими обсуждениями.

Какие долгосрочные изменения в ментальной модели ИИ? Вместо единственного оракула, который "знает всё", вы получаете коллаборативные, объяснимые ИИ-команды, которые ведут себя скорее как коллеги, чем как калькуляторы. Люди остаются вовлечены, но их задача меняется с запроса ответов на руководство встречей синтетических экспертов — и решение, какому аргументу верить.

Что такое TradingAgents?

TradingAgents — это фреймворк с открытым исходным кодом на Python, который моделирует торговую фирму с использованием нескольких специализированных ИИ-агентов. Эти агенты анализируют акции с различных точек зрения, обсуждают свои результаты и совместно принимают решения о симулированной торговле.

Безопасен ли TradingAgents для торговли с реальными деньгами?

Нет. Проект явно разработан как инструмент для симуляции и исследований для разработчиков. Его не следует использовать для реальной торговли на реальные деньги из-за экспериментального характера и непостоянных результатов.

Какие модели ИИ могут использовать TradingAgents?

Он очень модульный и поддерживает различные большие языковые модели (LLMs), включая модели от OpenAI (такие как GPT-4), Anthropic (Claude) и Google (Gemini), что позволяет пользователям выбирать в зависимости от стоимости и возможностей.

Как он превосходит отдельную модель ИИ?

Эмулируя команду человеческих экспертов, ее мультиагентная система захватывает разнообразные перспективы (например, фундаментальные факторы, настроение, технический анализ) и включает управление рисками через дебаты. Этот совместный процесс приводит к более надежным и всесторонним решениям, чем одно монолитное ИИ.