🔥 GitHub 爆紅 · 量化交易 · AI Agent

TradingAgents 完整教學 2026：AI 多代理量化交易框架，台灣股市也能用？

📅 2026 年 4 月 28 日 ⏱ 閱讀約 15 分鐘 ✍️ AutoDev AI 編輯部 🏷 量化交易 · AI Agent · 台股
44K+
GitHub Stars
+734
本週新增 Stars
6+
專業 AI 分析代理
0
繁中競品文章
📋 本文目錄
  1. TradingAgents 是什麼？
  2. 6 個 AI 分析代理詳解
  3. 台灣股市適用性分析
  4. 安裝教學（5 步完成）
  5. 台股實戰範例
  6. 與其他量化框架比較
  7. 雲端部署：DigitalOcean 方案
  8. 常見問題 FAQ
  9. 總結：值得用嗎？

TradingAgents 是什麼？為什麼 GitHub 衝破 44,000 Stars？

2026 年初，一個名為 TradingAgents（GitHub: TauricResearch/TradingAgents）的開源 AI 量化交易框架悄悄爆紅，在短短幾個月內累積超過 44,000 顆 Stars，本週（4 月第四週）單週新增 734 顆，持續加速成長中。

這個框架最大的亮點是：它把量化交易的分析流程，拆解成多個 AI 代理（Multi-Agent）協作完成。就像一個虛擬的投資研究團隊——有人看技術線、有人研究基本面、有人追新聞、有人管風險——然後再由一個「主管 Agent」整合所有意見，做出交易建議。

一句話解釋：TradingAgents = 多個 AI 分析師代理協作 + LLM 推理 + 量化交易決策，開源免費，支援 GPT-4o / Claude / Gemini 等主流大語言模型。

更令台灣投資人驚喜的是：TradingAgents 的數據源支援 AkShare 和 BaoStock——這兩個資料庫都有台灣股市（TWSE/OTC）數據，代表你不必改程式就能直接拿台積電（2330.TW）、鴻海（2317.TW）的資料來跑分析。

而且在 tradingagents-ai.com 生態圈中，已有中文化的產品介面和私有化部署服務（RMB 500 起），說明中文市場的需求已被開發者確認——只是台灣的繁中教學至今仍是空白，這正是本文存在的原因。

TradingAgents 的 6 個 AI 分析代理詳解

TradingAgents 的核心設計是「分工」——不同代理負責不同的資訊維度，最後統合成交易決策。以下是主要代理及其功能：

📊
技術分析師 (Technicals Agent)
分析 K 線、RSI、MACD、布林通道等技術指標，判斷短中期趨勢方向
📰
新聞情緒師 (News Agent)
爬取最新財經新聞，分析市場情緒偏多或偏空，識別黑天鵝事件
💬
社群情緒師 (Social Agent)
分析 Reddit、Twitter/X 等平台的散戶情緒，判斷市場偏見與熱度
📋
基本面分析師 (Fundamentals Agent)
評估公司財報、本益比、ROE、負債比等基本面數據，判斷估值合理性
🛡️
風險管理師 (Risk Manager)
根據組合波動度、最大回撤、VaR 等指標建議倉位大小與停損點
👔
主管決策者 (Bull/Bear Researcher + Trader)
整合所有分析師意見，做出最終「買入 / 持有 / 賣出」的交易建議

這套多代理架構的精髓在於：每個代理都有「辯護」和「挑戰」的角色設計。例如同一隻股票，Bull Researcher 和 Bear Researcher 會各自給出看多和看空的論點，最後再由 Trader Agent 綜合判斷，類似真實投資委員會的運作方式。

重要提醒：TradingAgents 產生的是「分析建議」，不是「自動下單系統」。它幫你整理資訊與推理，但最終交易決策仍需人工確認，這在合規和風控上是正確的設計方向。

台灣股市適用性分析：AkShare 支援 TWSE？

🇹🇼 台灣投資人必看：以下數據源支援台股

  • AkShare：開源財經數據庫，支援台灣證交所（TWSE）和 OTC 市場股票資料，包含日 K、月 K、財務數據
  • BaoStock：量化交易數據平台，提供 A 股為主，部分支援港股和台股 ETF
  • Yahoo Finance API：透過 yfinance 套件取得台股資料（代碼格式：2330.TW）
  • 新聞數據：目前主要為英文財經新聞（Reuters/Bloomberg），中文新聞整合仍需額外設定

台股測試結果：以台積電（2330.TW）為例

社群用戶測試顯示，將 TradingAgents 的股票代碼改為 2330.TW，並指定數據源為 yfinance，系統可以正常拉取台積電的歷史股價和財務數據進行分析。技術分析部分（RSI、MACD、均線）完全正常運作；基本面分析和新聞情緒分析目前主要抓取英文資料，繁中新聞分析能力有限。

台灣用戶的限制與替代方案

功能 台股支援度 替代/補充方案
技術分析（K線/指標） ✅ 完整支援 yfinance / AkShare
基本面財報數據 ⚠️ 部分支援 公開財報爬蟲 + 手動補充
新聞情緒分析 ⚠️ 英文為主 串接台灣財經 RSS（MoneyDJ / 鉅亨）
社群情緒分析 ❌ 台灣社群缺少 串接 PTT 股版 API（第三方工具）
ETF 分析 ✅ 支援台灣 ETF 0050.TW / 00878.TW 等均可查詢
港美股分析 ✅ 完整支援 TradingAgents 最佳使用場景

結論：台股的技術分析和基本面分析已可使用，但中文新聞和社群情緒分析目前是明顯缺口。如果你主要投資台積電、聯發科等大型股，或是台灣 ETF，TradingAgents 已有足夠的數據支撐，值得測試。如果你需要完整的繁中新聞情緒分析，則需要額外的客製化工程。

🖥️ 建立你的 TradingAgents 分析伺服器
TradingAgents 需要持續運行 + 儲存大量股市數據。DigitalOcean Droplet $12/月起，比本地 Mac 省電、比 AWS 便宜。
新用戶獨家：透過以下連結享 $200 免費額度（60 天）
🚀 領取 $200 DigitalOcean 免費額度

安裝教學：5 步完成 TradingAgents 環境設定

TradingAgents 需要 Python 3.10+ 環境，以及至少一個 LLM API Key（支援 OpenAI、Anthropic Claude、Google Gemini）。以下是完整安裝流程：

1

安裝環境需求

確認本機已安裝 Python 3.10+ 和 Git。建議使用虛擬環境（conda 或 venv）隔離套件。

python --version # 需 3.10 以上 git --version # 需已安裝 git conda create -n tradingagents python=3.11 conda activate tradingagents
2

Clone TradingAgents 倉庫

從 GitHub 下載最新版本的 TradingAgents 原始碼。

git clone https://github.com/TauricResearch/TradingAgents.git cd TradingAgents
3

安裝相依套件

安裝所有必要的 Python 套件，包含 LangGraph、yfinance、pandas 等。

pip install -e . # 或使用 uv（更快） pip install uv uv pip install -e .
4

設定 API 環境變數

建立 .env 檔案，填入你的 LLM API Key。至少需要一個。

# .env 檔案內容 OPENAI_API_KEY=sk-your-openai-key-here ANTHROPIC_API_KEY=sk-ant-your-claude-key-here GOOGLE_API_KEY=your-gemini-key-here # 選填（用於新聞資料） FINNHUB_API_KEY=your-finnhub-key EODHD_API_KEY=your-eodhd-key
5

執行第一次分析

用 CLI 或 Python 腳本執行你的第一次股票分析。建議從美股開始測試穩定性。

# CLI 方式 python -m tradingagents analyze --ticker AAPL --date 2026-04-25 # Python 腳本方式 from tradingagents.graph.trading_graph import TradingAgentsGraph from tradingagents.default_config import DEFAULT_CONFIG ta = TradingAgentsGraph(debug=True, config=DEFAULT_CONFIG) _, decision = ta.propagate("AAPL", "2026-04-25") print(decision)
⚠️ 費用提醒：每次分析會呼叫多個 LLM 代理，GPT-4o 約消耗 $0.01–$0.05 / 次。建議先用 GPT-4o-mini 或 Claude Haiku 做測試，確認流程正確後再切換到更強的模型。

台股實戰範例：分析台積電（2330.TW）

以下是針對台股使用 TradingAgents 的調整方式，主要需要修改數據源設定：

使用 yfinance 分析台股

from tradingagents.graph.trading_graph import TradingAgentsGraph from tradingagents.default_config import DEFAULT_CONFIG # 修改設定以支援台股 config = DEFAULT_CONFIG.copy() config["backend_url"] = "https://api.openai.com/v1" # 或你的 Claude 端點 config["llm_provider"] = "openai" config["deep_think_llm"] = "gpt-4o" # 初始化並分析台積電 ta = TradingAgentsGraph(debug=True, config=config) _, decision = ta.propagate("2330.TW", "2026-04-25") print("=== 台積電分析結果 ===") print(decision)

分析輸出範例（示意）

📊 TradingAgents 台積電分析輸出範例（示意格式）

技術分析師：RSI(14) = 58.3，位於中性偏多區間；MACD 金叉形成中；60 日均線上方，短期趨勢偏多。

基本面分析師：Q1 2026 EPS NT$7.89，YoY +23%；毛利率 58.6%，行業領先；2nm 產能爬坡如預期，外資持續調升目標價。

風險管理師：目前市場波動度 VIX=18，建議倉位不超過組合的 8%；停損設於 NT$920，下行風險 4.2%。

最終決策：持有 / 觀察加碼機會。建議於回測至 60 日均線時分批加碼。

台股常用代碼對照表

公司名稱yfinance 代碼AkShare 代碼
台積電2330.TW2330
聯發科2454.TW2454
鴻海2317.TW2317
台灣 50 ETF0050.TW0050
高股息 ETF0056.TW0056
國泰永續高股息00878.TW00878

與其他量化交易框架比較

市面上有多個 AI 量化交易工具，以下是 TradingAgents 與主要競品的比較：

框架 / 工具 核心特色 門檻 台股支援 費用 適合對象
TradingAgents 多 AI 代理協作分析 中 部分 開源免費 + LLM API費 AI 工程師、研究者
Zipline Python 回測框架 中 需客製 開源免費 量化工程師
QuantConnect 雲端回測 + 實盤 中高 有限 免費基礎 / $20+/月 中階量化交易者
TradingView Pine 視覺化策略腳本 低 完整 $14.95/月起 一般投資人
AutoGen (財務版) 通用 Multi-Agent 高 需客製 開源 + Azure 費用 AI 研究者

TradingAgents 的最大優勢在於：它是目前唯一專為量化交易設計的 Multi-Agent 開源框架，把傳統量化分析師的工作流程（技術面 + 基本面 + 情緒面 + 風險管理）直接模型化。對於熟悉 Python 的開發者而言，它的上手曲線遠低於 AutoGen，同時比 Zipline 更具 AI 分析能力。

主要劣勢：不是自動下單系統、中文資料整合仍需工程、每次分析有 LLM API 費用。

📊 想學量化交易、Python 金融分析？
DataCamp 有完整的「Python for Finance」和「Quantitative Analyst with Python」課程路徑，從零開始到實戰量化策略，全部繁中介面支援。
限時優惠：透過以下連結可享最新折扣
📚 查看 DataCamp 量化交易課程

雲端部署方案：在 DigitalOcean 上跑 TradingAgents

TradingAgents 支援 24/7 持續監控模式，建議部署在雲端 VPS 而非本機，原因如下：

推薦配置：DigitalOcean Droplet

配置規格月費適合場景
入門版 1 vCPU / 2GB RAM / 50GB SSD $12/月 每日跑 1-5 隻股票分析
標準版 2 vCPU / 4GB RAM / 80GB SSD $24/月 每日跑 10-20 隻股票 + 回測
進階版 4 vCPU / 8GB RAM / 160GB SSD $48/月 組合分析 + 大量歷史回測

部署指令（Ubuntu 22.04）

# SSH 連線後 sudo apt update && sudo apt upgrade -y sudo apt install python3.11 python3-pip git -y # Clone & 安裝 git clone https://github.com/TauricResearch/TradingAgents.git cd TradingAgents && pip install -e . # 設定 .env nano .env # 填入你的 API Keys # 設定每天早上 8:30 自動分析 crontab -e # 加入：30 8 * * 1-5 cd /root/TradingAgents && python -m tradingagents analyze --ticker 2330.TW >> /var/log/trading.log 2>&1
💡 小技巧：分析結果可以透過 n8n 自動推播到 LINE Bot，讓每天開盤前自動收到 AI 分析報告。（參考我們的 n8n 自動化教學）

常見問題 FAQ

Q1：TradingAgents 可以自動幫我下單嗎？
不行，TradingAgents 是分析決策框架，不是自動下單系統。它只提供「買 / 賣 / 持有」建議和分析報告，最終交易需要你手動操作或自行串接券商 API（如富邦 API、元大 API）。這是刻意的設計，也是負責任的做法。
Q2：每次分析要花多少 LLM API 費用？
使用 GPT-4o 進行一次完整分析（6 個代理協作）大約消耗 $0.03–$0.08 USD。如果用 GPT-4o-mini 可降到 $0.003–$0.01。每天分析 5 隻股票的月費大約 $1.5–$12 USD，對量化投資者來說成本極低。
Q3：沒有 Python 程式背景可以用嗎？
TradingAgents 需要基本的 Python 操作能力，以及能在終端機執行指令。如果你完全沒有程式基礎，建議先學習基礎 Python（DataCamp 或 Hahow 都有繁中課程），再回來設定 TradingAgents，大約 1-2 週就能上手基本操作。
Q4：分析結果準確嗎？可以跟著 AI 建議操作嗎？
AI 的分析基於歷史數據和語言模型推理，不保證預測準確性。TradingAgents 適合作為輔助工具，幫你整理多維度資訊、減少資訊收集時間，但不應盲目跟單。任何投資決策都需要自行判斷，並考慮個人風險承受能力。
Q5：台灣用戶需要 VPN 才能使用嗎？
TradingAgents 本身不需要 VPN。但 OpenAI API 在台灣可以直接使用，Claude API 也無限制。如果你使用的是特定中國數據源（如 BaoStock 直連），偶爾可能需要確認連線穩定性。整體而言台灣用戶使用體驗正常。
Q6：TradingAgents 和 FinAgent、FinBen 有什麼不同？
FinAgent 和 FinBen 更偏向學術研究框架，主要用於論文評測；TradingAgents 更注重實際可用性和開發者體驗，有 CLI 工具、清晰的文件和活躍的社群。GitHub 44K Stars 也反映了實際用戶的認可度，是目前最受關注的量化 AI Agent 項目。

總結：TradingAgents 值得台灣投資人試用嗎？

在深入測試和研究之後，我們的結論是：如果你是有 Python 背景的投資者或開發者，TradingAgents 絕對值得花一個週末時間設定起來。

🎯 適合使用 TradingAgents 的台灣用戶

  • ✅ 熟悉 Python 的工程師 / 開發者，想探索 AI 輔助投資決策
  • ✅ 主要投資港美股、或台股大型股（台積電、聯發科等）的投資人
  • ✅ 量化交易初學者，想了解多代理 AI 如何協作分析股市
  • ✅ 想把 AI 分析結果自動推播到 LINE Bot 的自動化愛好者

❌ 暫時不適合的場景

  • ❌ 完全沒有程式基礎（建議先學 Python）
  • ❌ 需要完整中文新聞情緒分析（目前以英文為主）
  • ❌ 希望系統自動下單（需要自行串接券商 API）
  • ❌ 投資小型台股或 OTC 股（數據覆蓋較弱）

TradingAgents 代表了一個新方向：不再是人工蒐集資料，而是讓 AI 代理分工分析，人類只需看最終報告和做決策。隨著台灣數據源整合的持續改進，相信未來繁中用戶的使用體驗會越來越好。

如果你嘗試了本文的設定，歡迎在下方留言分享你的台股測試結果——這對台灣量化投資社群很有價值！

⚙️ 想直接用現成 AI 自動化工作流？
我們整理了一套「Claude Cron Agent 自動化模板包」，包含每日行情提醒、AI 分析推播到 LINE Bot、數據自動整理等現成 workflow，無需從零建起。
一次購買，永久使用 ✨
🛒 查看 AI 自動化模板包

延伸閱讀