AI証券会社をまるごと再現！複数のAIエージェントが議論して株の売買を判断する — TradingAgents

アーキテクチャ・仕組み

TradingAgentsはLangGraph（LLMベースのワークフローを構築するフレームワーク）上に構築されており、柔軟性とモジュール性を重視した設計になっている。

エージェント構成

1. アナリストチーム（4種類）

   • ファンダメンタルアナリスト: 企業の財務データや業績指標を評価
   • センチメントアナリスト: SNSや世論のセンチメント（感情）スコアを分析
   • ニュースアナリスト: グローバルニュースやマクロ経済指標を監視
   • テクニカルアナリスト: MACD、RSIなどのテクニカル指標を活用

2. リサーチャーチーム: 強気派・弱気派のリサーチャーが構造化された討論を行い、利益とリスクのバランスを検討

3. トレーダーエージェント: アナリストとリサーチャーの報告を統合し、売買タイミングと規模を決定

4. リスク管理 & ポートフォリオマネージャー: 市場のボラティリティや流動性を評価し、取引提案を承認/却下。承認されるとシミュレーション取引所で執行

対応LLMプロバイダー

主要な設定オプション

default_config.pyで以下のカスタマイズが可能：

• llm_provider: 使用するLLMプロバイダー
• deep_think_llm: 複雑な推論用のモデル指定
• quick_think_llm: 軽量タスク用のモデル指定
• max_debate_rounds: リサーチャーの討論ラウンド数

バージョン履歴

• v0.2.2（2026年3月）: GPT-5.4/Gemini 3.1/Claude 4.6対応、5段階評価スケール、OpenAI Responses API、Anthropicのeffort control対応
• v0.2.0（2026年2月）: マルチプロバイダーLLMサポート、システムアーキテクチャ改善

データソース

• Alpha Vantage APIを使用して金融データを取得

制約・注意点

• 研究目的のフレームワークであり、投資助言ではない
• トレーディングパフォーマンスは、使用するLLMモデル、モデルの温度パラメータ、取引期間、データの品質、その他の非決定的要因によって変動する
• 対応言語: Python 3.13

論文・学術的背景

• arXiv論文（2412.20138）として発表済み
• 関連プロジェクト: Trading-R1（強化学習ベースの取引エージェント）

# リポジトリをクローン
git clone https://github.com/TauricResearch/TradingAgents.git
cd TradingAgents

# Python仮想環境を作成（condaの場合）
conda create -n tradingagents python=3.13
conda activate tradingagents

# パッケージをインストール
pip install .

使用するLLMプロバイダーのAPIキーを設定：

export OPENAI_API_KEY=...
export ALPHA_VANTAGE_API_KEY=...

CLIを起動：

tradingagents

Pythonコードから使う場合：

from tradingagents.graph.trading_graph import TradingAgentsGraph
from tradingagents.default_config import DEFAULT_CONFIG

ta = TradingAgentsGraph(debug=True, config=DEFAULT_CONFIG.copy())
_, decision = ta.propagate("NVDA", "2026-01-15")
print(decision)