TradingAgents-astock: ein A-Aktien-Fork mit sieben Analysten und eigenen Datenquellen
A股多Agent投研框架 — 适配A股数据源(龙虎榜/游资/解禁等)，7位分析师基于A股规则的辩论决策，基于TradingAgents深度改造，适配大A。A-share multi-agent investment research framework — 7 AI analysts, bull/bear debate, risk assessment。
Auf einen Blick
- Was ist das?
- Der Fork von TauricResearch/TradingAgents ersetzt die US-Datenanbindung durch kostenlose chinesische Quellen, ergänzt drei A-Aktien-spezifische Analystenrollen und bildet T+1, Kurslimits und Losgrössen ab. Die Architektur bleibt ein LLM-Debattensystem, kein Backtest-Framework.
- Für wen ist es gedacht?
- Wer die A-Aktien-Institutionen (T+1, Kurslimits, 龙虎榜, 解禁) in einem Multi-Agent-Debattensystem untersuchen will und Python 3.10 mit einem LLM-API-Key mitbringt, findet hier einen installierbaren Ausgangspunkt: pip install -e ., dann streamlit run web/app.py. Wer reproduzierbare Renditeaussagen oder Backtests braucht, ist falsch; das Projekt bezeichnet sich selbst als Forschung und Lehre.
- Darf ich es kommerziell nutzen?
- Ja. Apache-2.0 ist eine freizügige Lizenz: Sie dürfen darauf aufbauende Software nutzen, verändern und verkaufen, solange Sie die Urheberrechts- und Lizenzhinweise beibehalten.
- Wird es noch gepflegt?
- Ja. Die letzten Commits kamen vor 11 Tagen.
- In welcher Sprache ist es geschrieben?
- Hauptsächlich Python, laut der Sprachstatistik von GitHub.
Die Antworten beruhen auf den GitHub-Daten des Projekts (zuletzt abgeglichen am 15. September 2026) und auf unserer Analyse. Sie sind keine Rechtsberatung.
TIEFGEHENDE OPEN-SOURCE-ANALYSE
Warum der Upstream-Fork für A-Aktien überhaupt existiert
Das Original TradingAgents ist auf US-Märkte zugeschnitten: Die Daten kommen laut README aus Yahoo Finance und Alpha Vantage, und die Analysten kennen die Institutionen des A-Aktienmarktes nicht. Genau dort setzt der Fork an. Er tauscht die Datenebene gegen mootdx, 东方财富, 新浪, 同花顺 und weitere kostenlose HTTP-Quellen und ergänzt drei Rollen, die im Upstream fehlen: einen 政策分析师 für Regulatorik und Industriepolitik, einen 游资追踪师 für 龙虎榜 und Grossauftragsflüsse sowie einen 解禁监控师 für das Auslaufen von Sperrfristen. Die Zielgruppe sind damit nicht Trader, sondern Entwickler und Forschende, die die im Paper arXiv:2412.20138 beschriebene Debattenarchitektur auf chinesischen Daten nachvollziehen wollen. Das Repository positioniert sich ausdrücklich als Forschungs- und Lehrimplementierung und nicht als Anlageberatung.
Der Datenfluss: sieben Berichte, eine Debatte, zwei Entscheider
Die Pipeline ist zweistufig aufgebaut. Zuerst erzeugt jeder der sieben Analysten einen Bericht, jeweils mit einer eigenen Werkzeugschleife: Der Marktanalyst zieht get_stock_data und get_indicators, der Nachrichtenanalyst zusätzlich get_global_news und get_insider_transactions, der Fundamentalanalyst die Bilanz-, Cashflow- und GuV-Werkzeuge. Danach laufen alle sieben Berichte in eine Bull-gegen-Bear-Debatte, deren Rundenzahl das README mit "最多 N 轮" offen lässt. Ein Research Manager verdichtet das Ergebnis zu einem Investitionsplan, der Trader übersetzt ihn unter A-Aktien-Restriktionen in einen Handelsvorschlag, und eine dreiseitige Risikodebatte zwischen aggressiver, konservativer und neutraler Position endet beim Portfolio Manager. Bemerkenswert ist die Sprachaufteilung: Die internen Debatten laufen auf Englisch, nur der Report ist chinesisch. Das ist eine bewusste Entscheidung für die Reasoning-Qualität der Modelle, keine Nachlässigkeit. Ebenfalls auffällig ist das Zwei-Modell-Design: quick_think_llm bedient Analysten, Researcher, Trader und Risikodebatteure, deep_think_llm nur Research Manager und Portfolio Manager, also die zwei Stellen, an denen globale Information zusammengeführt wird.
Installation und Konfiguration ohne Docker
Der Einstieg ist bewusst flach gehalten. Nach git clone und cd folgt pip install -e ., Python 3.10 oder neuer vorausgesetzt. Für Google Gemini sind laut README zwei separate Schritte nötig, weil es kein [google]-Extra gibt: pip install --no-deps "langchain-google-genai>=4.0.0" und anschliessend pip install "google-genai>=1.53.0" "httpx>=0.28.1". Wer statt API-Abrechnung das eigene Claude-Pro/Max-Kontingent nutzen will, installiert das Extra mit pip install -e ".[agentsdk]". Die LLM-Anbindung läuft über eine .env im Projektwurzelverzeichnis, mit je einer Variable pro Anbieter: MINIMAX_API_KEY, DEEPSEEK_API_KEY, ZHIPU_API_KEY, DASHSCOPE_API_KEY oder OPENAI. Ein wichtiger Kostenfaktor steht direkt im README: Eine einzelne Analyse löst 30 bis 50 LLM-Aufrufe aus. Gestartet wird entweder über streamlit run web/app.py für die Weboberfläche oder über den Befehl tradingagents für die CLI. Docker ist optional, nicht Voraussetzung.
Drosselung als Architekturentscheidung: _em_get und EM_MIN_INTERVAL
Der interessanteste technische Teil steckt nicht in den Agenten, sondern in der Datenbeschaffung. Alle Anfragen an 东方财富 laufen über einen internen Einstiegspunkt namens _em_get(), der drei Dinge tut: seriell begrenzen mit einem Mindestabstand von einer Sekunde plus 0,1 bis 0,5 Sekunden Zufallsjitter, eine Keep-Alive-Session wiederverwenden und damit verhindern, dass parallele Agentenläufe eine temporäre IP-Sperre auslösen. Das README nennt konkrete Schwellen der Gegenseite: mehr als fünf Anfragen pro Sekunde, mindestens zehn gleichzeitige Verbindungen oder 200 Anfragen in einer Minute. Für Batch-Szenarien lässt sich per Umgebungsvariable EM_MIN_INTERVAL auf 1.5 bis 2 nachjustieren. Entscheidend ist die Reichweite dieser Drosselung: Sie gilt nur für 东方财富. mootdx, 腾讯, 新浪, 同花顺, 财联社 und 百度 laufen ungebremst. Die Datenpriorität ist entsprechend gestaffelt, alles was mootdx über den 通达信-TCP-Port 7709 oder 腾讯 liefern kann, geht nicht an 东方财富. Wer die Laufzeit plant, muss diese serielle Begrenzung als festen Kostenfaktor einkalkulieren.
Wo der Fork an seine Grenzen stösst
Die Abhängigkeit von inoffiziellen HTTP-Endpunkten ist der wundeste Punkt. 龙虎榜, 解禁-Daten und Kapitalflüsse kommen ausschliesslich von 东方财富, und das README beschreibt die Drosselung als Reaktion auf eine reale Sperrpraxis. Ändert die Gegenseite ihr Verhalten oder ihre Schnittstellen, bricht genau der Teil weg, der den Fork vom Upstream unterscheidet. Die zweite Einschränkung ist grundsätzlicher Natur: Das System erzeugt Fliesstext-Berichte und Ratings, keine Zeitreihen-Simulation. Es gibt im Material keinen Hinweis auf Backtesting, Walk-Forward-Auswertung oder eine Kennzahl wie Sharpe Ratio. Wer aus der Ausgabe eine Handelsentscheidung ableiten will, hat dafür keine statistische Grundlage. Drittens sind die LLM-Kosten real: 30 bis 50 Aufrufe pro Analyse, multipliziert mit der Zahl der geprüften Titel. Und schliesslich bleibt die Reproduzierbarkeit begrenzt, weil dieselbe Eingabe je nach Modell und Sampling zu unterschiedlichen Debattenverläufen führt.
Was der Fork gegenüber dem Upstream tatsächlich ändert
Der Vergleich mit TauricResearch/TradingAgents ist der ehrlichste Massstab, weil es sich um einen Fork und nicht um ein eigenständiges Projekt handelt. Drei Achsen sind dokumentiert. Erstens die Datenebene: statt Yahoo Finance und Alpha Vantage sieben kostenlose chinesische Quellen, ohne API-Key und ohne Guthaben-System. Zweitens die Rollen: aus vier Analysten werden sieben, wobei 政策, 游资 und 解禁 die A-Aktien-spezifischen Faktoren abdecken. Drittens die Handelsregeln: T+1, Kurslimits, Mindest-Losgrössen und ST-Behandlung sind im Trader und in der Risikodebatte verankert, während der Upstream von T+0 ohne Limits ausgeht. Der Alpha-Benchmark wechselt entsprechend von SPY auf den 沪深300. Wer bereits eine eigene Datenpipeline für A-Aktien betreibt, gewinnt durch den Fork wenig, weil sein eigentlicher Wert in der Datenanbindung liegt, nicht in der Graphstruktur. Wer dagegen den Paper-Ansatz auf chinesischen Daten evaluieren will, spart sich mit diesem Fork die komplette Neuanbindung.
Wartung, Versionierung und Lizenz
Die Release-Historie ist eng getaktet und inhaltlich kleinteilig: v0.5.17 lässt die Weboberfläche die LLM-Konfiguration merken, v0.5.16 behebt KeyError-Ausnahmen bei bestimmten Konfigurationswerten, v0.5.15 erlaubt api_key pro Rolle über role_llms. Das sind Stabilitäts- und Bedienkorrekturen, keine Architekturumbrüche, was für einen Fork mit einer Hauptpflegekraft spricht, aber auch bedeutet, dass Fehlerbehebungen kleinteilig über viele Patchversionen verteilt eintreffen. Wer den Fork produktiv einsetzt, sollte die Upstream-Änderungen von TauricResearch regelmässig gegen den eigenen Stand abgleichen, denn ein Fork trägt den Merge-Aufwand dauerhaft selbst. Lizenzseitig steht das Projekt unter Apache-2.0, was kommerzielle Nutzung, Änderung und Weitergabe erlaubt, sofern Lizenz- und Urheberrechtshinweise erhalten bleiben und geänderte Dateien als geändert gekennzeichnet werden. Die vom Upstream geerbten Dateien bleiben davon berührt. Das ist eine Zusammenfassung der Lizenzbedingungen, keine Rechtsberatung; wer den Code in ein Produkt einbettet, muss die Apache-2.0-Pflichten im Einzelfall prüfen.
Redaktionelles Fazit
Wer die A-Aktien-Institutionen (T+1, Kurslimits, 龙虎榜, 解禁) in einem Multi-Agent-Debattensystem untersuchen will und Python 3.10 mit einem LLM-API-Key mitbringt, findet hier einen installierbaren Ausgangspunkt: pip install -e ., dann streamlit run web/app.py. Wer reproduzierbare Renditeaussagen oder Backtests braucht, ist falsch; das Projekt bezeichnet sich selbst als Forschung und Lehre. Vor dem ersten Lauf zu prüfen: ob der eigene LLM-Anbieter über die .env-Variablen MINIMAX_API_KEY, DEEPSEEK_API_KEY, ZHIPU_API_KEY oder DASHSCOPE_API_KEY angebunden ist, und ob bei Batch-Läufen EM_MIN_INTERVAL auf 1.5 bis 2 gesetzt wurde.
Community-Notizen