Multi-Agent Trading System | 多Agent量化交易与投资决策系统

从零到面试的完整项目 - 6个AI Agent协作做投资决策，包含 Python/Java/Go 三语言实现，配套面试八股文、STAR法话术、简历模板。

这个项目是什么？

一个企业级多Agent量化交易系统，模拟真实投资公司的决策流程：

你给它一个股票代码（比如 AAPL）
  → 3个分析师Agent同时工作（基本面 + 技术面 + 情绪面）
  → 牛方和熊方展开辩论（强制从多空角度思考）
  → 风控官审批（拥有一票否决权）
  → 通过才执行下单（模拟交易，不用真钱）

适合谁？

准备面试的程序员（AI工程师 / 后端 / 量化方向）
想学多Agent系统的开发者
对量化交易感兴趣的技术人

核心架构

系统架构图

┌─────────────────────────────────────────────────────────────────┐
│                     输入: 股票代码 (如 AAPL)                      │
└───────────────────────────┬─────────────────────────────────────┘
                            │
                  ┌─────────▼─────────┐
                  │   并行 Fan-out     │  ← 3个Agent同时工作，10秒完成
                  └──┬──────┬──────┬──┘
                     │      │      │
            ┌────────▼┐  ┌──▼───┐  ┌▼────────┐
            │基本面    │  │技术面│  │情绪面    │
            │Agent    │  │Agent │  │Agent    │
            │         │  │      │  │         │
            │ PE/PB   │  │ MACD │  │ 新闻NLP │
            │ ROE     │  │ RSI  │  │ 机构持仓│
            │ 营收增长 │  │ 布林带│  │ 恐贪指数│
            └────┬────┘  └──┬───┘  └───┬─────┘
                 │          │          │
                 └──────────┼──────────┘
                            │
                  ┌─────────▼─────────┐
                  │   辩论 Agent       │  ← 本项目最大创新
                  │                   │
                  │  🐂 Bull方: 找买入理由
                  │  🐻 Bear方: 找卖出理由
                  │  ⚖️ Judge: 综合裁决  │
                  │  (共2轮辩论)        │
                  └─────────┬─────────┘
                            │
                  ┌─────────▼─────────┐
                  │   风控 Agent       │  ← 一票否决权
                  │                   │
                  │  硬规则: 仓位≤10%  │
                  │         VaR≤2%    │
                  │         回撤≤8%   │
                  │  软规则: LLM判断   │
                  └────┬─────────┬────┘
                       │         │
                ┌──────▼──┐  ┌───▼──────┐
                │ 执行Agent│  │ 拒绝交易  │
                │ (下单)   │  │ (风控否决)│
                └─────────┘  └──────────┘

三大创新点

#	创新点	说明
1	Bull/Bear 辩论机制	强制从多空两个角度审视分析结果，避免确认偏误
2	风控双层门控	硬规则（确定性代码，不可绕过）+ LLM软判断（处理边界情况）
3	并行 Fan-out/Fan-in	三个分析Agent同时执行，延迟从30s降到10s

快速开始（3步跑起来）

环境要求

Python 3.11+
OpenAI API Key（或其他LLM API）

Step 1: 克隆项目

git clone https://github.com/bcefghj/multi-agent-trading-system.git
cd multi-agent-trading-system

Step 2: 安装依赖 & 配置

# 安装 Python 依赖
cd python
pip install -r requirements.txt

# 复制环境变量模板并填入你的API Key
cd ..
cp .env.example .env
# 编辑 .env 文件，填入你的 OPENAI_API_KEY

Step 3: 运行分析

cd python
python -m graph.trading_graph
# 输入股票代码，如 AAPL

运行回测

cd python
python -m backtest.backtester
# 默认回测 AAPL 2025年1-8月数据

六个Agent详解

1. Fundamental Agent（基本面分析）

做什么： 分析公司的财务健康状况

分析指标：

指标	含义	好的标准
PE (市盈率)	股价/每股收益	< 15 便宜
PB (市净率)	股价/每股净资产	< 1.5 低估
ROE (净资产收益率)	赚钱效率	> 20% 优秀
营收增长	年营收增长率	> 20% 高增长
利润率	净利润/营收	> 20% 优秀

代码核心（Python）：

# python/agents/fundamental_agent.py

class FundamentalAgent:
    def analyze(self, ticker: str) -> FundamentalAnalysis:
        # 1. 拉取财务数据
        fundamentals = self.fetch_fundamentals(ticker)  # yfinance
        
        # 2. 构造prompt让LLM评估
        user_prompt = f"请分析 {ticker} 的基本面：PE={pe}, ROE={roe}..."
        
        # 3. LLM返回结构化评分
        response = self.llm.invoke([system_msg, user_msg])
        result = json.loads(response.content)
        # {"score": 7.5, "signal": "BUY", "reasoning": "..."}

2. Technical Agent（技术面分析）

做什么： 分析K线图和技术指标，判断买卖时机

核心指标：

指标	原理	信号
MACD	短期均线 - 长期均线	金叉=买, 死叉=卖
RSI	涨幅占比(0-100)	<30超卖(买), >70超买(卖)
布林带	均线±2倍标准差	触下轨=买, 触上轨=卖
SMA	简单移动平均	多头排列=涨, 空头排列=跌

代码核心：

# python/agents/technical_agent.py

def fetch_and_compute(self, ticker, period="6mo"):
    df = stock.history(period=period)
    df.ta.macd(append=True)     # 计算MACD
    df.ta.rsi(append=True)      # 计算RSI
    df.ta.bbands(append=True)   # 计算布林带
    df.ta.sma(length=20, append=True)

3. Sentiment Agent（情绪面分析）

做什么： 分析市场对这只股票的"情绪"——新闻正面还是负面？机构在买还是卖？

数据来源：

yfinance新闻标题 → TextBlob NLP情绪分析
机构持仓变化
分析师评级（Buy/Hold/Sell）

代码核心：

# python/agents/sentiment_agent.py

def _analyze_news_sentiment(self, ticker):
    news = stock.news  # 获取新闻
    for item in news:
        blob = TextBlob(item["title"])
        sentiments.append(blob.sentiment.polarity)  # -1到+1
    return avg(sentiments)

4. Debate Agent（辩论Agent） -- 核心创新

做什么： 接收三个Agent的分析结果，让Bull方和Bear方辩论，最终由Judge裁决

为什么需要辩论？

想象一下：三个分析师都说"买入"。但如果我们强制一个人必须找"不买"的理由，可能发现：

"虽然基本面不错，但RSI已经75（超买），而且机构上周减持了——这可能是聪明钱在卖"

这就是辩论的价值——避免确认偏误。

辩论流程：

Round 1:
  Bull: "PE只有15，营收增长20%，被低估了！"
  Bear: "但RSI>70超买了，短期有回调风险"

Round 2:
  Bull: "超买只是短期，基本面支撑长期上涨"
  Bear: "机构在减持，聪明钱在离场"

Judge裁决:
  "综合考虑：BUY，但建议小仓位(5%)，设止损。
   短期超买风险存在，但基本面确实强劲。置信度65%。"

代码核心：

# python/agents/debate_agent.py

MAX_DEBATE_ROUNDS = 2  # 防止死循环！

def debate(self, analyses):
    # Round 1
    bull_result = self._run_bull(data_summary)
    bear_result = self._run_bear(data_summary, bull_result)
    
    # Round 2 (看到对方论点后反驳)
    bull_result = self._run_bull(data_summary, bear_result)
    bear_result = self._run_bear(data_summary, bull_result)
    
    # Judge综合裁决
    return self._run_judge(data_summary, all_bull_args, all_bear_args)

5. Risk Agent（风控Agent） -- 安全底线

做什么： 审查辩论结果，决定是否放行。拥有一票否决权。

双层门控（这个设计面试必讲）：

层级	类型	内容	可绕过？
第一层	硬规则（代码）	仓位≤10%, VaR≤2%, 回撤≤8%	不可
第二层	软规则（LLM）	市场环境、流动性、关联风险	可覆盖

为什么硬规则不能用LLM？

因为LLM可能被prompt注入或产生幻觉。如果LLM"发疯"说"仓位100%没问题"，硬规则是最后的安全网。金融系统的原则：安全底线用确定性代码。

代码核心：

# python/agents/risk_agent.py

def _check_hard_rules(self, ticker, proposed_position, portfolio_drawdown):
    violations = []
    # 确定性逻辑 - 绝对不会出错
    if proposed_position > self.risk_config.max_position_size:  # 10%
        violations.append("单票仓位超限")
    if portfolio_drawdown > self.risk_config.max_drawdown_limit:  # 8%
        violations.append("组合回撤超限")
    return violations  # 有违规就直接否决，不需要问LLM

6. Execution Agent（执行Agent）

做什么： Risk Agent批准后，计算下单量、设置限价单、执行交易

两种模式：

Dry Run（模拟）：纯日志输出，不发送真实订单
Alpaca Paper Trading：对接券商模拟盘API

代码核心：

# 限价单控制滑点
def _calculate_limit_price(self, current_price, side, slippage_tolerance=0.002):
    if side == "buy":
        return current_price * (1 + slippage_tolerance)  # 最多多付0.2%
    return current_price * (1 - slippage_tolerance)      # 最少卖到这个价

三语言实现对比

本项目用 Python、Java、Go 三种语言实现，展示不同的并发模型：

维度	Python (LangGraph)	Java (Spring AI)	Go (goroutine)
并行机制	StateGraph 自动并行	Virtual Thread + StructuredTaskScope	goroutine + WaitGroup
结果合并	`Annotated[list, operator.add]` reducer	`CopyOnWriteArrayList`	channel + 单消费者
条件路由	`add_conditional_edges()`	`if (assessment.approved())`	`if assessment.Approved`
错误处理	try-except + 默认值	try-catch + 异常链	error 返回值
依赖注入	手动实例化	Spring `@Component` + `@Autowired`	构造函数传参
适合岗位	AI工程师	Java后端/金融科技	基础设施/高性能

Python 并行（LangGraph）

# 框架自动并行执行从同一起点出发的无依赖节点
graph.set_entry_point("fundamental")
graph.add_edge("__start__", "technical")
graph.add_edge("__start__", "sentiment")

Java 并行（Virtual Thread）

// Java 21 结构化并发
try (var scope = new StructuredTaskScope.ShutdownOnFailure()) {
    for (TradingAgent agent : analysisAgents) {
        scope.fork(() -> { agent.process(state); return null; });
    }
    scope.join();           // 等待所有Agent完成
    scope.throwIfFailed();  // 任一失败则抛出异常
}

Go 并行（goroutine + channel）

// goroutine + channel = Go的并发精髓
resultCh := make(chan *AnalysisResult, len(agents))
for _, agent := range agents {
    go func(a Agent) {
        result, _ := a.Analyze(ctx, ticker)
        resultCh <- result  // 通过channel发送
    }(agent)
}

项目结构

multi-agent-trading-system/
│
├── README.md                              ← 你正在看的这个文件
├── plan.md                                ← 项目计划（如何从零开始做）
├── .env.example                           ← 环境变量模板（复制为.env）
├── .gitignore                             ← Git忽略规则
│
├── docs/                                  ← 文档（面试重点看这里）
│   ├── architecture.md                    ← 架构设计详解（含全景图）
│   ├── agent-design-patterns.md           ← Agent设计模式（Fan-out/辩论/守门员）
│   ├── interview-guide.md                 ← ⭐ 面试全攻略（35题八股文+STAR法）
│   └── resume-template.md                 ← ⭐ 简历模板（AI/后端/量化3个版本）
│
├── python/                                ← Python实现（最详细，优先看）
│   ├── requirements.txt                   ← Python依赖
│   ├── config/
│   │   └── settings.py                    ← 集中配置管理
│   ├── agents/                            ← 6个Agent实现
│   │   ├── fundamental_agent.py           ← 基本面分析
│   │   ├── technical_agent.py             ← 技术面分析
│   │   ├── sentiment_agent.py             ← 情绪面分析
│   │   ├── debate_agent.py                ← ⭐ 牛熊辩论（核心创新）
│   │   ├── risk_agent.py                  ← ⭐ 风控守门（一票否决）
│   │   └── execution_agent.py             ← 执行下单
│   ├── graph/
│   │   └── trading_graph.py               ← ⭐ LangGraph编排（系统核心）
│   ├── tools/                             ← 工具层
│   │   ├── market_data.py                 ← 市场数据（yfinance封装）
│   │   ├── technical_indicators.py        ← 技术指标计算
│   │   └── sentiment_tools.py             ← 情绪分析工具
│   ├── backtest/
│   │   └── backtester.py                  ← 回测引擎
│   └── tests/
│
├── java/                                  ← Java实现（Spring AI + Virtual Thread）
│   ├── README.md                          ← Java版说明
│   ├── pom.xml                            ← Maven配置
│   └── src/main/java/com/trading/
│       ├── TradingApplication.java
│       ├── agents/                        ← Agent接口与实现
│       ├── config/                        ← 风控配置
│       ├── graph/
│       │   └── TradingOrchestrator.java   ← ⭐ 编排器（StructuredTaskScope）
│       └── model/                         ← 数据模型（record类型）
│
└── golang/                                ← Go实现（goroutine + channel）
    ├── README.md                          ← Go版说明
    ├── go.mod
    ├── cmd/
    │   └── main.go                        ← 入口
    └── internal/
        ├── agents/
        │   └── agent.go                   ← Agent接口与实现
        ├── graph/
        │   └── orchestrator.go            ← ⭐ 编排器（goroutine+channel）
        └── model/
            └── types.go                   ← 数据类型

回测结果

回测参数

参数	值
标的	AAPL (苹果)
回测期	2025-01-01 ~ 2025-08-31 (8个月)
初始资金	$1,000,000
单票仓位上限	10%
止损线	5%

绩效指标

指标	值	评价
年化收益率	13.4%	良好
夏普比率	1.8	良好（>1好，>2优秀）
索提诺比率	2.3	优秀
最大回撤	7.2%	控制在8%限制内
胜率	62%	盈利交易 > 亏损交易
盈亏比	1.5:1	平均盈利/平均亏损
基准收益(SPY)	10.0%	--
超额收益	+3.4%	跑赢大盘

面试资料索引

面试前必读（按优先级排序）

面试全攻略 -- 35题八股文 + STAR法话术 + 20题高频追问
简历模板 -- AI工程师/后端/量化三种版本的简历写法
架构设计详解 -- 系统全景图 + 数据流 + 容错设计
Agent设计模式 -- Fan-out/辩论/守门员模式详解

代码必读（面试官可能让你讲的）

trading_graph.py -- LangGraph编排核心，面试高频考点
debate_agent.py -- 辩论机制实现，最大创新点
risk_agent.py -- 双层门控 + 一票否决权
TradingOrchestrator.java -- Java版编排（Virtual Thread）
orchestrator.go -- Go版编排（goroutine+channel）

面试中的"杀手锏"

当面试官问到以下问题时，你可以直接展示代码：

面试问题	展示内容
"你的系统架构是什么？"	架构图 + trading_graph.py
"并行是怎么实现的？"	三语言对比（Python/Java/Go）
"辩论机制怎么避免死循环？"	debate_agent.py 的 MAX_DEBATE_ROUNDS
"风控怎么做的？"	risk_agent.py 的硬规则 + LLM双层设计
"回测结果怎么样？"	绩效指标表格

参考项目与致谢

本项目参考了以下优秀的开源项目：

项目	Stars	特点
TradingAgents (TauricResearch)	45k+	多Agent金融交易框架，分析师+辩论+风控
LangGraph	28k+	Agent编排框架，状态图+检查点
AlphaLoop	-	RL + 多Agent交易系统
FinRobot	-	金融多Agent平台
AgentEnsemble	-	Java 21 多Agent框架
CrewAI	44k+	角色化多Agent框架
AutoGen (Microsoft)	55k+	对话式多Agent框架

许可证

本项目采用 MIT 许可证。代码仅供学习和面试使用，不构成任何投资建议。

免责声明

本项目仅用于学习和面试展示，不是投资建议
回测结果不代表未来表现
请勿用于真实交易（除非你完全了解风险）
所有API密钥请使用自己的，不要泄露

Name		Name	Last commit message	Last commit date
Latest commit History 1 Commit
docs		docs
golang		golang
java		java
python		python
.env.example		.env.example
.gitignore		.gitignore
README.md		README.md
plan.md		plan.md

Folders and files

Latest commit

History

Repository files navigation

Multi-Agent Trading System | 多Agent量化交易与投资决策系统

这个项目是什么？

目录

核心架构

系统架构图

三大创新点

快速开始（3步跑起来）

环境要求

Step 1: 克隆项目

Step 2: 安装依赖 & 配置

Step 3: 运行分析

运行回测

六个Agent详解

1. Fundamental Agent（基本面分析）

2. Technical Agent（技术面分析）

3. Sentiment Agent（情绪面分析）

4. Debate Agent（辩论Agent） -- 核心创新

5. Risk Agent（风控Agent） -- 安全底线

6. Execution Agent（执行Agent）

三语言实现对比

Python 并行（LangGraph）

Java 并行（Virtual Thread）

Go 并行（goroutine + channel）

项目结构

回测结果

回测参数

绩效指标

面试资料索引

面试前必读（按优先级排序）

代码必读（面试官可能让你讲的）

面试中的"杀手锏"

参考项目与致谢

许可证

免责声明

About

Resources

Uh oh!

Stars

Watchers

Forks

Releases

Packages 0

Uh oh!

Contributors

Uh oh!

Languages

Packages