TradingAgents-astock : un fork de TradingAgents qui parle la langue du marché A

Le problème : un cadre pensé pour Wall Street, appliqué à un marché qui ne fonctionne pas comme lui

TradingAgents, le projet d'origine, est un cadre multi-agents pour la recherche actions. Le README de ce fork le décrit comme conçu pour les actions américaines : les données passent par Yahoo Finance ou Alpha Vantage, les analystes ignorent les spécificités institutionnelles chinoises, et le débat comme la décision sont calibrés pour ce marché. Le fork part de ce constat et annonce une spécialisation sur trois axes : la couche de données, les rôles des agents, les règles de trading. La cible est explicite dans le README, qui présente le projet comme une implémentation d'ingénierie et une reproduction de recherche du papier TradingAgents (arXiv 2412.20138), destinée à la recherche et à l'enseignement. Ce n'est donc pas un outil d'exécution d'ordres, et le README le répète : aucune recommandation d'investissement, aucun service d'investissement. Le public visé est celui qui veut étudier comment un pipeline d'agents se comporte quand on lui donne des entrées propres au marché A, pas celui qui cherche un système à brancher sur un compte titres.

Sept analystes, deux modèles, et une chaîne de décision en cinq étages

L'architecture décrite dans le README s'organise en couches successives. En haut, sept analystes produisent chacun un rapport, en boucle d'outils. Quatre viennent de l'original : marché (K 线, indicateurs, volume-prix), sentiment (réseaux sociaux, discussion des particuliers), actualités (secteur, annonces, macro) et fondamentaux (états financiers, rentabilité, valorisation). Trois sont ajoutés pour le marché A : un analyste politique (réglementation, politique industrielle, orientations officieuses), un traqueur de capital spéculatif (龙虎榜, flux d'ordres importants, mouvements de fonds principaux) et un surveillant des levées de blocage (actions à lock-up, cessions de gros actionnaires, nantissement d'actions). Le README justifie chacun : le marché A est un marché piloté par la politique, le capital spéculatif est la force centrale de la fixation des prix à court terme, et les déblocages de titres sont un choc d'offre propre au marché A. Ces sept rapports alimentent ensuite un débat haussier contre baissier sur un nombre de tours configurable, puis un Research Manager qui produit un plan d'investissement, puis un Trader qui applique les contraintes A (T+1, limites de variation, lots minimum), puis un débat de risque à trois positions (agressif, conservateur, neutre), et enfin un Portfolio Manager qui rend une note et une justification. Un point de conception mérite d'être relevé : deux modèles distincts sont prévus, quick_think_llm pour les analystes, chercheurs, trader et débatteurs de risque, deep_think_llm pour le Research Manager et le Portfolio Manager. Le README explique ce choix par le besoin de synthétiser l'information globale au moment de décider. C'est un partage de charge classique, mais il implique que la qualité finale dépend surtout du second modèle, celui qu'on est tenté de configurer à la légère.

Des sources de données chinoises sans clé, et un étranglement volontaire côté Dongcai

Le fork remplace Yahoo Finance et Alpha Vantage par un ensemble de sources chinoises gratuites, sans clé API et sans mur de points. Le tableau du README liste mootdx en TCP sur le port 7709 pour les bougies OHLCV, les instantanés financiers et les textes F10 ; Tencent Finance en HTTP sur qt.gtimg.cn pour le PE, le PB, la capitalisation et le taux de rotation en temps réel ; Dongcai en HTTP pour le 龙虎榜, les déblocages, les cotations sectorielles et les fiches d'actions ; Sina Finance en HTTP pour l'historique des bougies et les trois états financiers ; Tonghuashun en HTTP pour les consensus de BPA ; Cailianshe pour les dépêches financières mondiales ; et Baidu Finance pour le classement par concept sectoriel et les flux de fonds. Un point d'ingénierie retient l'attention. Le README décrit une règle de priorité : tout ce qui peut venir de mootdx ou de Tencent doit en venir, Dongcai n'étant sollicité que pour ses données exclusives. La raison est un mécanisme anti-bannissement, introduit en v0.2.11. Toutes les requêtes Dongcai passent par un point d'entrée interne, _em_get(), avec limitation de débit en série (intervalle par défaut d'au moins 1 seconde, plus une gigue aléatoire de 0,1 à 0,5 seconde) et réutilisation d'une session Keep-Alive. Le README indique que le risque de blocage temporaire d'IP se déclenche au-delà de 5 requêtes par seconde, 10 en concurrence ou 200 par minute, et que la variable d'environnement EM_MIN_INTERVAL=1.5~2 permet de ralentir davantage en analyse par lots. Ce throttling ne concerne que Dongcai : mootdx, Tencent, Sina, Tonghuashun, Cailianshe et Baidu ne sont pas affectés. C'est un détail concret, et il en dit long sur la nature du travail : une bonne part de la valeur ajoutée d'un fork de données chinoises consiste à ne pas se faire couper l'accès.

Installation : pip, un fichier .env, et une facture LLM à prévoir

Le README donne une procédure d'installation directe. Il faut Python 3.10 ou supérieur, puis : git clone du dépôt, cd tradingagents-astock, et pip install -e . Le README précise qu'aucun Docker n'est nécessaire et que l'installation suffit pour lancer soit l'interface web avec streamlit run web/app.py, soit l'interface en ligne de commande avec la commande tradingagents. Docker reste une option de déploiement, pas un prérequis de développement. Deux installations facultatives sont documentées. Pour utiliser un modèle Google Gemini, il faut installer explicitement les paquets, le README signalant l'absence d'extra [google] : pip install --no-deps "langchain-google-genai>=4.0.0" puis pip install "google-genai>=1.53.0" "httpx>=0.28.1". Pour faire passer des nœuds par un abonnement personnel Claude Pro ou Max plutôt que par la facturation API, il faut pip install -e ".[agentsdk]". La configuration des modèles se fait dans un fichier .env à la racine du projet, avec des clés par fournisseur : MINIMAX_API_KEY, DEEPSEEK_API_KEY, ZHIPU_API_KEY ou DASHSCOPE_API_KEY, entre autres. Le coût est annoncé sans détour : chaque analyse demande de 30 à 50 appels LLM, facturés à la clé API par défaut. C'est le vrai plancher du projet. Le matériel et les données sont gratuits, le raisonnement ne l'est pas, et le README ne donne aucun ordre de grandeur en euros ou en yuans. À vous de le calculer à partir de la grille de votre fournisseur et du nombre d'appels annoncé.

Ce que le fork ne résout pas : dépendance aux sources amont et dette de suivi

Trois limites ressortent du matériel fourni. La première est structurelle : le projet est un fork. Le dépôt amont évolue, et le README pointe un fichier CHANGES_FROM_UPSTREAM.md, ce qui suppose de suivre les deux historiques. Un fork profond, qui touche à la couche de données, aux rôles et aux règles de trading, s'écarte à mesure des modifications amont et rend les fusions de plus en plus coûteuses. Le rythme de publication observé va dans ce sens : les versions récentes listées traitent de corrections ciblées, comme la mémorisation de la configuration LLM dans l'interface web (v0.5.17), la disparition de KeyError sur une partie de la configuration (v0.5.16) ou la possibilité de définir une api_key par rôle dans role_llms (v0.5.15). Ce sont des correctifs d'ergonomie et de robustesse, pas des refontes. La deuxième limite tient aux sources de données elles-mêmes. Elles sont gratuites et non officielles : des interfaces HTTP publiques de Tencent, Sina, Tonghuashun ou Baidu, plus un accès TCP à mootdx. Aucun contrat de niveau de service, aucune garantie de format. Le mécanisme _em_get() et ses seuils chiffrés montrent d'ailleurs que la fragilité est connue et traitée par la limitation de débit, pas éliminée. La troisième limite est plus fondamentale : rien dans le matériel fourni ne documente une validation empirique de la qualité des décisions. Le README cite le benchmark CSI 300 comme référence alpha, mais ne présente aucun résultat. Un pipeline à sept analystes et deux modèles produit un texte plausible ; plausible n'est pas exact, et le projet ne prétend pas le contraire.

Face à quoi le comparer : l'amont, et l'analyse fondamentale classique

Le point de comparaison le plus direct est le dépôt amont, TauricResearch/TradingAgents. La différence n'est pas cosmétique. L'amont interroge Yahoo Finance et Alpha Vantage, ne connaît pas les rôles politique, capital spéculatif et déblocage, et raisonne avec les règles américaines : T+0, pas de limite de variation. Ce fork substitue des sources chinoises en accès direct, ajoute trois analystes et applique les contraintes du marché A jusque dans la couche du Trader. Le README indique aussi que les rapports sont produits en chinois tandis que le débat interne reste en anglais, pour préserver la qualité de raisonnement, et que la référence alpha passe du SPY au CSI 300. Autrement dit, l'amont reste le bon choix si vous travaillez sur des actions américaines ; ce fork n'a d'intérêt que sur le marché A. Une seconde comparaison, moins évidente, est celle d'une chaîne quantitative classique : un script qui télécharge des données, calcule des indicateurs et applique des règles fixes. La différence d'approche est nette. Un tel script est déterministe, reproductible et quasi gratuit à l'exécution. Ici, chaque analyse consomme 30 à 50 appels de modèle, et le résultat dépend du modèle choisi, de la température et du contenu exact des rapports intermédiaires. Vous gagnez la capacité à faire entrer du texte non structuré (dépêches, annonces, politique industrielle) dans le raisonnement. Vous perdez la reproductibilité bit à bit et la prévisibilité du coût. C'est un arbitrage, pas un progrès dans l'absolu.

Licence et coût de maintenance

Le projet est publié sous Apache-2.0, comme l'amont, ce que le tableau comparatif du README met en avant. Cette licence est permissive : usage commercial, modification et redistribution sont autorisés, avec conservation des mentions de copyright et du texte de licence, et une clause de brevets explicite. Elle n'impose pas de publier vos modifications. Deux réserves pratiques, sans conseil juridique : le fork redistribue du code issu de TauricResearch/TradingAgents, donc les mentions d'attribution doivent être préservées, et le fichier CHANGES_FROM_UPSTREAM.md sert précisément à garder cette traçabilité. Par ailleurs, les données ne sont pas couvertes par la licence du code. Elles proviennent d'interfaces publiques de Tencent, Sina, Dongcai, Tonghuashun, Cailianshe et Baidu, dont les conditions d'utilisation vous concernent directement dès que l'usage sort du cadre de la recherche personnelle. Sur la maintenance, le dépôt n'est pas archivé et la dernière poussée listée date du 5 septembre 2026. Le rythme des versions indique un projet suivi, avec des correctifs fréquents et ciblés. Le coût réel de possession se situe ailleurs : surveiller les changements de format des sources non officielles, ajuster EM_MIN_INTERVAL quand les blocages apparaissent, et suivre les évolutions de l'amont. Ce sont des tâches récurrentes, pas un investissement ponctuel.

Conclusion éditoriale

Ce fork s'adresse aux développeurs et chercheurs qui travaillent déjà sur le marché actions chinois et veulent une base multi-agents exécutable en local, sans clé API de données payante. Ceux qui cherchent un signal de trading exploitable en production doivent passer leur chemin : le README qualifie lui-même le projet de recherche et d'enseignement. Avant tout essai, vérifiez deux points précis : que votre version de Python est bien 3.10 ou supérieure, et que le fichier .env contient une clé pour l'un des fournisseurs listés, sachant qu'une analyse déclenche de 30 à 50 appels LLM.

Sources officielles

1. License: Apache-2.0
2. Project website
3. README
4. Releases
5. simonlin1212/TradingAgents-astock on GitHub