TradingAgents：多智能体交易框架的决策稳定性与投资表现

TradingAgents 把投资研究拆给不同 AI 角色：分析师收集信息，多头和空头辩论，交易员与风险团队讨论执行，最后由经理给出决策。我想知道，这种看起来很完整的流程，实际能带来多稳定的判断，以及怎样的投资结果。

这篇是我对 TradingAgents 框架和一组回测记录的 review。下文的收益、一致率与相关性来自这组测试，不是项目官网的基准成绩。对我来说，收益表现、决策可重复性、风险识别时机和分析质量必须分别检查；一份漂亮的报告不能代替其中任何一项。

框架怎样形成一次交易判断

官网和我整理的说明把流程分成五层：基本面、情绪、新闻和技术分析师先形成报告；多头与空头研究员讨论相反观点；研究经理汇总辩论；交易员提出交易方案，风险团队从不同风险偏好审视它；最终经理批准或调整决策。

这种分工的好处是每个环节有明确任务，也让中间论据可以被检查。但它仍由多个生成步骤串联：分析师选择哪些事实、多空双方如何解释、研究经理如何取舍，以及历史记忆何时介入，都可能影响最后的评级。只看最终的 Buy 或 Sell，无法定位变化来自哪里。

我的测试：指定股票的月度仓位管理

这组测试使用 Gemini 3.1 Pro。按我的实验设定，模型可用知识截止到 2025 年 1 月；回测从 2025 年 2 月持续到 2026 年 6 月，共 17 个月，每月初评级一次，决策应只使用当时已经公开的信息。这里描述的是实验设定，并不等于已经独立审计过所有数据源的时间戳。

为了把文字评级转成可比较的收益，我把五档评级映射为固定仓位：

这是对指定股票调仓的测试：系统不能自己选股，也不能自行构建完整投资组合。美光与 SK 海力士是事后已知上涨的股票，选择它们作为测试对象会限制结论。回测也不能单凭这些数字回答交易成本、滑点、股息、汇率和实际可执行性等问题。

收益：下跌时更稳，上涨时也更容易错过

美光与 SK 海力士上，策略参与了涨幅，但明显落后于买入并持有。再看七只按回测结束后的表现分组的股票，下跌组三只都跑赢买入并持有；横盘组一胜一负；上涨组两只都落后。

这体现了降低仓位的两面性：跌时少持有可以减轻损失，涨时少持有也会减少收益。七只股票的分组是根据最终涨跌事后划分的，所以“下跌组表现较好”并不能证明系统提前识别了风险。

重复运行：单月评级不够稳定

同样配置运行两次，美光在 17 个月中只有 6 个月的五档评级完全一致，约 35%；SK 海力士是 7 个月，约 41%。COIN 的另一次比较也是约 7/17；把五档评级合并成更粗的方向后，一致率约 65%。后一种口径允许仓位档位不同，因此自然更容易一致。

单次输出可能只是多种可能判断中的一次。为了区分波动来自哪里，我又固定多空辩论材料，只重复调用研究经理：14 个案例、420 次调用中，11 个案例的方向大体集中，3 个案例则出现明显分歧。这证明研究经理环节可能产生波动，却不能说明它是整个系统最大的随机来源；其他环节还需要同样的控制实验。

最终经理什么时候改变初步方向

在 204 次决策中，研究经理的初步方向与最终评级约有 76% 一致。48 次方向变化里，47 次出现在最终经理给出评级时，只有 1 次发生在交易员阶段。这个统计告诉我变化集中在哪里，仍不能直接证明变化由风险辩论、模型采样或历史记忆中的哪一项造成。

框架会在真实收益出现后回看先前决策，写下反思，并在以后决策中提供历史记忆。有些最终解释会引用这些内容，但提到记忆不等于记忆造成了评级变化。要识别它的因果影响，需要比较关闭记忆、开启记忆和替换记忆内容后的结果。

长期平均较稳定，不代表预测较准确

我把五档评级映射成 0 到 1 的“防御分”：Buy = 0、Overweight = 0.25、Hold = 0.5、Underweight = 0.75、Sell = 1。分数越高，代表越倾向降低仓位。尽管单月评级有明显变化，17 个月的平均防御分在两次运行中相差较小：

单月不稳定与长期平均较稳定可以同时成立。不过，这里只有两次运行，月份之间也未必独立；平均值接近，不能推导出每次调仓可靠，更不能推导出预测正确。

它是在跌之前识别风险，还是跌之后才保守？

按最终表现分组的平均防御分为：下跌组 0.721、横盘组 0.478、上涨组 0.434。乍看系统似乎更谨慎地对待后来下跌的股票，但这还不能说明它变得谨慎的时间。

在下跌组，防御分与上个月收益的相关性约为 -0.59，与下个月收益的相关性约为 -0.09。前者关系更明显，后者接近没有明显线性关系。现有结果更符合“价格先走弱，系统随后提高防御”的反应式解释；它尚未显示稳定的提前预警能力。相关性并不证明因果关系，而且样本很小，不能把这个判断推广到所有股票或市场环境。

报告写得好，仍须验证论据能否预测

TradingAgents 的多头与空头能够围绕同一事实提出相反、又都听起来合理的解释。例如，一项业务投入既可能意味着未来增长，也可能拖累当期现金流。框架能把论点组织得具体而连贯；但这样的文本不能证明它抓住了决定未来收益的因素，也不能排除关键资料被遗漏。

我的结论

这组测试里，TradingAgents 展示了完整的角色分工，也呈现出较明确的防御倾向：下跌股票上相对占优，上涨股票上则有明显机会成本。重复运行会改变单月评级；聚合后的平均倾向较接近，但稳定不等于正确。时间结构尤其重要：目前的数据更像是在下跌后提高防御，而不是稳定地提前预测下跌。

如果要认真评估它能否用于投资，下一步需要更大的股票样本、更多重复运行、事前定义的选股与分组、交易成本和不确定性区间。还应分别固定或移除记忆、辩论与经理输入，量化每个环节对评级的影响。单次漂亮的收益曲线或一份专业报告，都不足以完成这样的验证。

框架资料：TradingAgents 项目页与开源代码。本文讨论的是上述实验记录，不构成投资建议。