tradingagents

name	tradingagents
description	TradingAgents — Framework multi-agente LLM para trading financiero: Research Manager, Trader, Portfolio Manager con backtesting integrado
url	https://github.com/TauricResearch/TradingAgents
category	ia
fecha	2026-06-02T00:00:00.000Z

TradingAgents 📊

TradingAgents es un framework de trading financiero basado en multi-agentes LLM. Simula un equipo de traders profesionales con roles especializados: Research Manager, Trader, Portfolio Manager, cada uno potenciado por un modelo de lenguaje diferente.

¿Qué hace?

TradingAgents implementa un pipeline de trading con 3 agentes LLM especializados que colaboran en un proceso de toma de decisiones:

Agentes especializados

1. Research Manager: Analiza noticias, datos de mercado, sentimiento y fundamentos
2. Trader: Toma decisiones de compra/venta basadas en el análisis del Research Manager
3. Portfolio Manager: Gestiona el portfolio, risk management y posición sizing

Características principales

• Multi-provider LLM: OpenAI, Anthropic, Google Gemini, DeepSeek, Qwen, GLM, Azure, Ollama
• Modelos soportados: GPT-5.5, GPT-5.4, Gemini 3.1, Claude 4.6, y más
• Backtesting integrado: Validar estrategias con datos históricos
• Análisis de sentimiento: Grounded sentiment analysis con fuentes reales
• Soporte multi-idioma: Inglés, español, japonés, coreano, portugués, ruso, chino
• Configuración por env vars: TRADINGAGENTS_* con auto-detección de API keys
• Docker support: Despliegue containerizado

Arquitectura de decisión

Research Manager → Análisis de mercado + sentimiento
    ↓
Trader → Decisión BUY/SELL/HOLD con rating (1-5)
    ↓
Portfolio Manager → Aprobación + position sizing
    ↓
Ejecución + Backtesting

Casos de uso

• Trading asistido por IA: Automatizar análisis y decisiones de trading
• Educación financiera: Entender cómo funciona el análisis de mercado
• Prototipado de estrategias: Testear ideas de trading rápidamente
• Análisis de sentimiento: Extraer insights de noticias financieras
• Multi-agent research: Investigar tickers con múltiples perspectivas de agentes

Snippets útiles

Instalación básica

# Clonar
git clone https://github.com/TauricResearch/TradingAgents.git
cd TradingAgents

# Instalar
pip install -r requirements.txt
# o con uv
uv sync

Ejecutar con CLI

# Configurar API keys
cp .env.example .env
# Editar .env con tus claves

# Ejecutar trading para un ticker
python main.py --ticker AAPL

# Con modelo específico
python main.py --ticker TSLA --model gpt-4o

Configurar con variables de entorno

# Provider de LLM
export TRADINGAGENTS_LLM_PROVIDER=openai
export OPENAI_API_KEY=sk-xxx

# Modelo específico
export TRADINGAGENTS_MODEL=gpt-4o

# Ticker a analizar
export TRADINGAGENTS_TICKER=AAPL

Usar como librería Python

from tradingagents.agents import create_trading_agents
from tradingagents.data import get_stock_data

# Crear agentes
agents = create_trading_agents(provider="openai", model="gpt-4o")

# Obtener datos
data = get_stock_data("AAPL", period="6mo")

# Ejecutar pipeline de trading
decision = agents.run(ticker="AAPL", market_data=data)
print(decision)
# {
#   "action": "BUY",
#   "confidence": 0.82,
#   "reasoning": "...",
#   "rating": 4
# }

Backtesting

# Ejecutar backtesting
python main.py --ticker AAPL --backtest --start 2024-01-01 --end 2025-01-01

Docker

docker-compose up -d
# Acceder a la CLI interactiva
docker exec -it tradingagents python main.py --ticker AAPL

Cómo integrarlo

Con sistema de trading Mastermind

TradingAgents puede complementar el simulador Monte Carlo existente:
- Monte Carlo: simulación de escenarios de precio
- TradingAgents: análisis cualitativo + cuantitativo con LLM
- Combinar ambos para señales más robustas

Pipeline de trading completo

Datos de mercado (API/REE/etc.) → TradingAgents (análisis multi-agente)
→ Señal BUY/SELL/HOLD + confianza
→ Integrar con portfolio manager existente
→ Backtesting para validación

Como microservicio

1. Deploy en servidor con GPU/CPU
2. Exponer API REST para consultas de trading
3. Configurar cron jobs para análisis periódico de tickers
4. Alertas Telegram cuando se detecten oportunidades

Pitfalls

• Requiere API keys: Necesitas claves de OpenAI, Anthropic u otros providers
• Costo de LLM: Cada ejecución consume tokens de LLM (puede ser caro con múltiples agentes)
• No es asesoramiento financiero: Los resultados son educativos, no recomendaciones de inversión
• Latencia: Multi-agent pipeline puede tardar minutos por decisión
• Datos de mercado: Necesitas configurar fuentes de datos (Yahoo Finance por defecto)
• Variabilidad: Las decisiones LLM pueden variar entre ejecuciones (no determinista)
• Modelos nuevos: GPT-5.5, GPT-5.4 requieren access específico a los providers

Arquitectura

tradingagents/
├── agents/         — Agentes especializados (Research, Trader, Portfolio)
├── data/           — Fetch de datos de mercado
├── models/         — Catálogo unificado de modelos LLM
├── prompts/        — Prompts para cada agente
├── backtesting/    — Motor de backtesting
├── utils/          — Utilidades y helpers
└── config/         — Configuración

cli/                — Línea de comandos
scripts/            — Scripts de utilidad
tests/              — Tests

Fecha de descubrimiento: 2026-06-02

Trending: #1 diario (299 estrellas hoy), 82,175 estrellas totales Creado: 2024-12-28 (~17 meses) Topics: agent, finance, llm, multiagent, trading Versión actual: v0.2.5 (2026-05)