tradingagents-astock

Posicionamento do projeto TradingAgents-Astock é a implementação de engenharia para ações A do framework do artigo TauricResearch/TradingAgents. Usa a licença Apache 2.0, destina-se a pesquisa e ensino e não presta consultoria de investimento nem recomendação de ações. O usuário precisa usar sua própria chave de API de LLM e executar o sistema localmente; as saídas são geradas por IA e não constituem recomendação de investimento. Fluxo central Primeiro, sete Analistas concluem, cada um, seu relatório de pesquisa: o analista de mercado cuida de candles/K-lines, indicadores técnicos e preço-volume; o analista de sentimento acompanha a emoção em redes sociais; o analista de notícias trata notícias do setor, comunicados e eventos macroeconômicos; o analista fundamentalista lê demonstrações financeiras, lucratividade e valuation. Foram adicionados o analista de políticas, focado em regulação e políticas industriais; o rastreador de capital especulativo, focado em listas Longhubang (Dragon-Tiger), grandes ordens e fluxo de capital principal; e o monitor de desbloqueio, focado em desbloqueio de ações restritas, redução de participação e penhor de ações. Os relatórios seguem então para o debate entre os pesquisadores Bull e Bear, e o Research Manager consolida um plano de investimento; o Trader gera em seguida o plano de negociação de acordo com as restrições das ações A. O fluxo também inclui um debate de risco entre três partes: agressiva, conservadora e neutra. Por fim, o Portfolio Manager emite direção, classificação e justificativa. A estrutura adota o design de dois modelos quick_think_llm e deep_think_llm e também permite especificar fornecedores ou modelos diferentes para papéis individuais. Adaptação para ações A A camada de dados usa fontes como mootdx, Tencent Finance, Dongfang Caifu (East Money), Sina Finance, Tonghuashun, Cailianshe e Baidu Stock Market, cobrindo candles, finanças, valuation, Longhubang, desbloqueio, setores, fluxo de capital, notícias e expectativas consensuais. Cotações e dados financeiros priorizam mootdx ou Tencent. As requisições à Dongfang Caifu possuem limitação serial integrada, jitter aleatório e reuso de Keep-Alive para reduzir o risco de bloqueio. As regras de negociação cobrem T+1, limites de alta e baixa, lote mínimo, horários de negociação e restrições ST; o benchmark é o CSI 300. O relatório final é em chinês, enquanto os debates internos permanecem em inglês. Modo de uso O projeto exige Python 3.10 ou superior, suporta instalação via pip e oferece CLI interativa, API Python e Web UI Streamlit. A Web UI permite selecionar fornecedor e modelo de LLM, inserir código de ação A e data, acompanhar o progresso em tempo real em 12 etapas, expandir os relatórios de cada etapa, salvar histórico e exportar Markdown ou PDF. Os canais de modelos suportados incluem MiniMax, DeepSeek, Zhipu GLM, Tongyi Qianwen, OpenAI, Anthropic, Google, xAI, OpenRouter, Ollama e gateways personalizados compatíveis com OpenAI; também é possível usar a cota de assinatura pessoal do Claude por meio do Claude Agent SDK. O projeto também fornece um comando de estatísticas de desempenho de decisão. Com base nos logs de memória local, ele preenche cotações em análises posteriores e calcula métricas como a taxa de acerto de direção relativa ao CSI 300. A documentação deixa claro que essa estatística não é um backtest, não inclui gestão de posições, custos de transação nem custos de impacto, e os resultados perdem valor referencial quando a amostra é pequena. A estrutura em si não emite preço de abertura de posição, stop loss, tamanho de posição nem preço-alvo.