Zo laat je zeven neurale netwerken over koersen debatteren: TradingAgents-astock review

Stel je voor dat je zeven experts in één kamer hebt verzameld: één kijkt naar grafieken, een ander leest nieuws, een derde graaft in bedrijfsrapporten, en de vierde is een overheidsbeleidsspecialist. Ze debatteren tot ze schor zijn, wegen risico's af, en aan het einde geven ze je een kant-en-klaar actieplan. Zo ongeveer werkt TradingAgents-astock — een fork van het bekende TradingAgents-framework, opnieuw getraind voor de specifieke kenmerken van de Chinese aandelenmarkt.

Waarom Overhaupt een Fork voor China

Het oorspronkelijke TradingAgents-project maakte nogal ophef in financiële kringen (65.000 sterren op GitHub spreken voor zich). Maar het had een probleem: het was "afgestemd" op Amerikaanse realiteiten. Het haalt data van Yahoo Finance, richt zich op de S&P 500-index, en begrijpt totaal niet waarom een aandeel stil kan komen te staan door koerswijzigingslimieten.

De auteur van TradingAgents-astock vond dat simpelweg de interface vertalen niet genoeg was. De Chinese markt (A-shares) opereert volgens eigen regels: andere Handelssessies, een T+1-regel van kracht (vandaag gekocht — morgen pas verkopen), en het allerbelangrijkste: overheidsbeleid en de acties van grote spelers — de "geldmeesters" — spelen een enorm grote rol.

Zeven Analisten in Één Doos

In dit project is de architectuur gebouwd op LangGraph. In plaats van één agent die het ongrijpbare probeert te begrijpen, zijn er zeven gespecialiseerde rollen aan het werk.

Vier daarvan zijn overgenomen van het origineel maar aangepast:

• Market Analyst kijkt naar K-lijnen en technische indicatoren.
• Sentiment Analyst monitort sociale netwerken.
• News Analyst volgt media-headlines.
• Fundamental Analyst bestudeert balansen en kasstromen.

Maar het interessantste deel zijn de drie nieuwe karakters die specifiek voor de "Chinese specificaties" zijn gecreëerd:

1. Policy Analyst. In China kan één woord van een toezichthouder een hele sector laten crashen of de lucht in sturen. Deze agent zoekt naar signalen in overheidsrichtlijnen.
2. "Hot Money" Tracker. Hij monitort de acties van grote private fondsen en speculanten (de zogenaamde "Youzi"), die vaak kortetermijntrends zetten.
3. Share Unlock Monitoring. Wanneer de lock-upperiodes van grote aandeelhouders eindigen, bereidt de markt zich meestal voor op turbulentie. Deze agent volgt zulke data.

Hoe Beslissingen Worden Genomen

Het proces lijkt op het werk van een echte investeringsbank. Eerst schrijven alle zeven analisten hun rapporten. Dan gaat deze data naar twee onderzoekers — "Bull" en "Bear." Ze beginnen te debatteren, proberen elkaar te overtuigen of het actief zal stijgen of dalen.

Na het debat komt een risk manager erbij. Ze voeren de strategie door drie filters: agressief, conservatief en neutraal. En pas helemaal aan het einde geeft de finale agent (Portfolio Manager) het verdict: kopen, vasthouden of verkopen, en welke positiegrootte toewijzen.

Interessant is dat de auteur modellen heeft gescheiden op complexiteit. Voor eenvoudige taken (analisten, debatten) worden "snelle" LLM's gebruikt, terwijl "diepe" modellen zoals MiniMax-M2 of Claude de finale synthese en besluitvorming afhandelen.

Technische Stack en Data

Het belangrijkste pijnpunt van elk fintech-project is waar je data vandaan haalt. Meestal is het of duur of vereist het een berg aan API-sleutels. Hier heeft de auteur directe verbindingen geïmplementeerd naar open bronnen zoals East Money, Sina Finance en Baidu. En het is slim gedaan: er is een ingebouwd vertragings- en rate-limit-mechanisme zodat Chinese servers je niet bannen na de eerste run.

Het project vereist geen Docker om te draaien, hoewel het als optie wordt meegeleverd. Gewoon Python 3.10 en pip install.

Je hebt API-sleutels van neurale netwerken nodig om te werken. Het project ondersteunt bijna alles: van DeepSeek en Qwen tot OpenAI en Anthropic. Als je in Rusland zit en een proxy gebruikt om buitenlandse API's te benaderen, kun je backend_url in de config instellen.

Webinterface en Rapporten

Voor degenen die niet met de console willen rommelen, is er een mooie UI op Streamlit. Je voert een aandeelcode in (bijvoorbeeld 688017), selecteert een datum, en het systeem begint te "denken."

Het hele proces is transparant: je kunt elk van de zeven analistenrapporten uitklappen en lezen waarom ze een bepaald aandeel veelbelovend vinden. Het finale rapport kan worden geëxporteerd in Markdown of PDF — handig als je een beleggingsdagboek bijhoudt.

Is Het de Moeite Waard om Te Proberen

Als je geïnteresseerd bent in algoritmische handel of simpelweg wilt weten hoe je LLM's in de financiële wereld kunt toepassen, verdient het project zeker om gekloond en verkend te worden. Zelfs als je niet op de Chinese markt handelt, is de multi-agent debatarchitectuur hier heel duidelijk geïmplementeerd.

Vergeet echter de disclaimer niet: dit is een onderzoekstool. AI kan fouten maken, hallucineren, of ironie op sociale media verkeerd interpreteren. Het als enige adviseur gebruiken voor echt geld is een riskante onderneming. Maar als assistent die in 5 minuten informatie verzamelt waar een mens een halve dag mee bezig zou zijn, werkt TradingAgents-astock geweldig.

Het project wordt actief bijgewerkt, de auteur repareert prompt font-encoding bugs in PDF en voegt ondersteuning toe voor nieuwe modellen. Als je een voorbeeld zocht van hoe LangGraph complexe analytische taken in de echte wereld kan oplossen — hier is het.