Sieben neuronale Netze zum Streiten über Kurse bringen: TradingAgents-astock im Test

Stellen Sie sich vor, Sie hätten sieben Experten in einem Raum versammelt: Einer analysiert Charts, ein anderer liest Nachrichten, ein dritter wühlt sich durch Unternehmensberichte und der vierte ist ein Regierungspolitik-Spezialist. Sie streiten sich, bis sie heiser sind, wägen Risiken ab und liefern Ihnen am Ende einen fertigen Aktionsplan. So ungefähr funktioniert TradingAgents-astock – ein Fork des bekannten TradingAgents-Frameworks, das für die Besonderheiten des chinesischen Aktienmarkts neu trainiert wurde.

Warum überhaupt ein Fork für China

Das ursprüngliche TradingAgents-Projekt hat in Finanzkreisen ziemlich viel Aufmerksamkeit erregt (65.000 Sterne auf GitHub sprechen für sich). Aber es hatte ein Problem: Es war auf amerikanische Gegebenheiten „abgestimmt". Es bezieht Daten von Yahoo Finance, konzentriert sich auf den S&P-500-Index und versteht überhaupt nicht, warum eine Aktie aufgrund von Kursänderungslimits einfach einfrieren kann.

Der Autor von TradingAgents-astock entschied, dass eine einfache Übersetzung der Oberfläche nicht ausreichte. Der chinesische Markt (A-Aktien) operiert nach eigenen Regeln: unterschiedliche Handelszeiten, eine T+1-Regel (heute gekauft – erst morgen verkaufbar), und vor allem spielen Regierungspolitik und die Aktionen großer Player – die „Geldmeister" – eine enorm große Rolle.

Sieben Analysten in einer Box

In diesem Projekt basiert die Architektur auf LangGraph. Anstatt eines einzelnen Agenten, der das Unfassbare zu erfassen versucht, gibt es sieben spezialisierte Rollen.

Vier davon wurden vom Original übernommen, aber angepasst:

• Market Analyst beobachtet K-Linien und technische Indikatoren.
• Sentiment Analyst überwacht soziale Netzwerke.
• News Analyst verfolgt Medienüberschriften.
• Fundamental Analyst untersucht Bilanzen und Cashflow.

Aber der interessanteste Teil sind die drei neuen Charaktere, die speziell für „chinesische Besonderheiten" geschaffen wurden:

1. Policy Analyst. In China kann ein einziges Wort eines Regulierers einen ganzen Sektor abstürzen oder in die Höhe treiben. Dieser Agent sucht nach Signalen in Regierungsdirektiven.
2. „Hot Money"-Tracker. Er überwacht die Aktionen großer privater Fonds und Spekulanten (die sogenannten „Youzi"), die oft kurzfristige Trends setzen.
3. Share Unlock Monitoring. Wenn die Sperrfristen wichtiger Aktionäre enden, bereitet sich der Markt normalerweise auf Turbulenzen vor. Dieser Agent verfolgt solche Termine.

Wie Entscheidungen getroffen werden

Der Prozess ähnelt der Arbeit einer echten Investmentbank. Zuerst schreiben alle sieben Analysten ihre Berichte. Dann gehen diese Daten an zwei Researcher – „Bull" und „Bear". Sie beginnen zu debattieren und versuchen einander zu beweisen, ob das Asset steigen oder fallen wird.

Nach der Debatte kommt ein Risk Manager hinzu. Er lässt die Strategie durch drei Filter laufen: aggressiv, konservativ und neutral. Und erst ganz am Ende liefert der finale Agent (Portfolio Manager) das Urteil: kaufen, halten oder verkaufen, und welche Positionsgröße zugewiesen werden soll.

Interessanterweise hat der Autor die Modelle nach Komplexität getrennt. Für einfache Aufgaben (Analysten, Debatten) werden „schnelle" LLMs verwendet, während „tiefe" Modelle wie MiniMax-M2.7 oder Claude die finale Synthese und Entscheidungsfindung übernehmen.

Technischer Stack und Daten

Der Haupt-Schmerzpunkt jedes Fintech-Projekts ist, woher die Daten kommen. Normalerweise ist es entweder teuer oder erfordert einen Haufen API-Keys. Hier hat der Autor direkte Verbindungen zu offenen Quellen wie East Money, Sina Finance und Baidu implementiert. Und das wurde clever gemacht: Es gibt einen eingebauten Delay- und Rate-Limit-Mechanismus, damit chinesische Server Sie nicht nach dem ersten Durchlauf sperren.

Das Projekt erfordert kein Docker zum Ausführen, obwohl es als Option bereitgestellt wird. Nur normales Python 3.10 und pip install.

Sie benötigen API-Keys von neuronalen Netzen zum Arbeiten. Das Projekt unterstützt fast alles: von DeepSeek und Qwen bis OpenAI und Anthropic. Wenn Sie in Russland sind und einen Proxy verwenden, um auf ausländische APIs zuzugreifen, können Sie backend_url in der Konfiguration einrichten.

Web-Interface und Berichte

Für diejenigen, die sich nicht mit der Konsole herumschlagen wollen, gibt es ein schickes UI auf Streamlit. Sie geben einen Aktiencode ein (zum Beispiel 688017), wählen ein Datum, und das System beginnt zu „denken".

Der gesamte Prozess ist transparent: Sie können die Berichte jedes der sieben Analysten aufklappen und lesen, warum sie eine bestimmte Aktie für vielversprechend halten. Der finale Bericht kann in Markdown oder PDF exportiert werden – praktisch, wenn Sie ein Investment-Tagebuch führen.

Lohnt es sich, es zu probieren

Wenn Sie sich für algorithmischen Handel interessieren oder einfach wissen möchten, wie LLMs in der Finanzwelt eingesetzt werden können, verdient das Projekt definitiv, geklont und erkundet zu werden. Selbst wenn Sie nicht am chinesischen Markt handeln, ist die Multi-Agenten-Debatten-Architektur hier sehr klar umgesetzt.

vergessen Sie jedoch nicht den Disclaimer: Dies ist ein Forschungstool. KI kann Fehler machen, halluzinieren oder Ironie in sozialen Medien falsch interpretieren. Es als alleinigen Berater für echtes Geld zu verwenden, ist ein riskantes Unterfangen. Aber als Assistent, der in 5 Minuten Informationen zusammenstellt, für die ein Mensch einen halben Tag bräuchte, funktioniert TradingAgents-astock großartig.

Das Projekt wird aktiv weiterentwickelt, der Autor behebt umgehend Bugs bei der PDF-Schriftkodierung und fügt Unterstützung für neue Modelle hinzu. Wenn Ihnen ein Beispiel fehlte, wie LangGraph komplexe analytische Aufgaben in der realen Welt lösen kann – hier ist es.