Codex 实战：基于TradingAgents的金融分析系统

一、下载 Codex，注册登录​

​

代码块​

Plain Text

下载地址：h****://codexdown.**/​

​

​

​

二、安装codex插件​

•

点击扩展功能，在搜索框输入codex，选择第一个由openai开发的插件，点击"Install"安装​

•

安装后，codex就出现在菜单栏中，直接点击这个图标，进入codex对话界面​

​

​

​

​

50%

​

​

​

​

50%

​

​

三、导入GitHub项目文件​

两种方式任选其一：​

直接从github将对应项目打包下载，然后在cursor中选择file->open folder打开​

直接开启vibecoding模式，在对话框给出指令「帮我本地部署github项项目：xxxx地址」，让大模型自主完成项目部署​

​

​

​

​

50%

​

​

​

​

50%

​

​

​

四、项目部署后，进入vibecoding阶段​

•

选择最强模型GPT-5.3-Codex和高级推理Extra High​

•

让Codex扫描项目结构，加载所有文件，并完成初始配置，这里模型会一步步引导你完成项目配置​

​

​

​

​

50%

​

​

​

​

50%

​

​

五、对该项目的数据源和大模型进行替换​

•

为了降低项目运行成本，需要将该项目的海外金融数据来源替换成免费数据源finnhub，所以我做了如下指令：​

​

代码块​

Plain Text

帮我将finnhub的API密钥配置好，后续金融数据主要从该平台获取，密钥：XXXXXXX​

​

•

finnhub个人密钥获取地址如下，直接注册后点击get free API key 获取​

​

代码块​

Plain Text

h****://finnhub.io/​

​

​

​

​

🔔

​

然后对大模型来源进行替换，我这里选阿里云，因为阿里云是一个大模型提供平台，能集合大部分开源模型，方便后续替换更高性能模型。​

​

平台地址和密钥地址如下，先注册再获取密钥地址：​

​

​

代码块​

Plain Text

平台地址：h****://dashscope.aliyun.***/​

密钥地址：h****://dashscope.console.aliyun.***/apiKey​

​

​

​

•

配置好后，也可以直接在codex给出指令，让codex进行大模型替换​

​

六、优化前端框架(可以跳过这步)​

我这里因为对前端设计比较有要求，同时我看到项目的前端框架是streamlit，所以要求codex帮我改一下前端框架，从streamlit调整为Vue3，如果大家对前端没特殊要求，可以跳过这步，因为Vue3还需要依赖云数据库MongoDB和Redis的配置，对非技术用户来说有点麻烦​

​

​

​

​

50%

​

​

​

​

50%

​

​

•

云服务配置地址：​

​

代码块​

Plain Text

MongoDB云服务：h****://www.mongodb.\*\*\*/cloud/atlasRedis云服务：h\*\*\*s://redis.\*\*\*/ ​

​

•

需要从以上服务中进行注册，并将账户密码给到codex，让codex完成配置。​

​

如果不知道怎么获取，直接告诉codex，让它教你​

​

​

​

​

七、运行测试，验证部署​

​

🔔

完成前六步，就可以尝试本地运行项目，看下目前项目效果，这里codex告诉我怎么运行该项目，先打开终端，然后将以下代码直接复制到终端，让项目启动​

​

​

​

​

​

•

终端运行后，会给一个地址，直接复制放到浏览器中打开，就能体验个人部署开发的项目了～如有问题，直接将终端的报错复制给Codex，继续优化​

​

​

八、不同视角的分析师​

专门辩论的研究员​

•

让不同观点的看涨研究员和看跌研究员进行结构化辩论：​

​

​

•

看涨研究员： 积极寻找市场中的利好因素，例如行业发展机遇、公司创新成果等，构建支持投资的逻辑，并提供论据支持。​

•

看跌研究员： 捕捉潜在的风险信号和不利因素，例如宏观经济下行压力、公司竞争劣势等，并提出反驳意见和风险警示。​

这种“正反方辩论”模式，强制智能体从两个方面进行深入思考，有效避免了单一视角可能带来的局限性，让决策更加全面和客观。​

操盘手交易员​

•

当分析师和研究员团队把“功课”做足后，就轮到交易员智能体出马了！​

•

交易员智能体的决策过程是一个复杂的强化学习过程，综合所有信息，制定出切实可行的交易策略。​

​

​

交易员智能体会综合考虑：​

​

市场深度和流动性： 决定交易规模，避免对市场造成不必要的冲击。​

风险偏好： 根据预设的风险敞口，调整交易激进程度。​

时间窗口： 精准把握交易时机，力求实现回报最大化。​

​

一旦市场出现符合预设交易条件的信号，交易员智能体就会迅速下达买入或卖出指令，并根据市场的实时变化灵活调整投资组合。​

风险管理团队​

在金融市场，风险控制永远是重中之重！​

研究团队构建了专门的风险管理智能体团队，实时监控持仓情况和市场波动，通过设置止损订单等手段，严格控制投资风险，利用价值风险（VaR）、条件风险值（CVaR）等量化风险指标，确保所有交易活动都在预设的风险参数范围内进行。​

​

​

•

例如，当某只股票的价格出现显著下跌，并接近预设的止损价位时，风险管理团队会及时提醒交易员智能体采取相应的应对措施，以最大限度地减少潜在损失。​

​

九、部署方式​

安装​

•

克隆 TradingAgents 仓库：​

•

使用您偏好的环境管理工具创建虚拟环境：​

​

代码块​

Bash

conda create -n tradingagents python=3.13​

conda activate tradingagents​

​

​

​

​

​

50%

​

​

​

​

50%

​

​

•

安装依赖项：​

​

代码块​

Bash

pip install -r requirements.txt​

​

所需API​

•

所有智能体都需要 OpenAI API，基本面数据和新闻数据（默认配置）需要 Alpha Vantage API。​

​

代码块​

Bash

export OPENAI_API_KEY=$YOUR_OPENAI_API_KEYexport ALPHA_VANTAGE_API_KEY=$YOUR_ALPHA_VANTAGE_API_KEY​

​

•

或者，您可以在项目根目录中创建一个包含 API 密钥的 .env 文件（请参考 .env.example）：​

​

代码块​

Bash

cp .env.example .env# Edit .env with your actual API keys​

​

​

​

命令行使用​

•

可直接运行CLI：​

​

代码块​

Bash

python -m cli.main​

​

•

界面将显示可选参数：股票代码、日期、大语言模型、研究深度等。​

​

​

•

运行时会实时显示加载结果，可追踪代理执行进度。​

​

​

​

​

​

十、TradingAgents包​

实现细节​

采用LangGraph构建TradingAgents以保证灵活性和模块化。实验中使用o1-preview和gpt-4o分别作为深度思考与快速思考的大语言模型。但测试时建议使用o4-mini和gpt-4.1-mini以节省成本，因本框架会发起大量API调用。​

Python调用​

在代码中导入tradingagents模块并初始化TradingAgentsGraph()对象。.propagate()函数将返回决策结果。可运行main.py，以下是快速示例：​

​

代码块​

Python

from tradingagents.graph.trading_graph import TradingAgentsGraph​

from tradingagents.default_config import DEFAULT_CONFIG​

ta = TradingAgentsGraph(debug=True, config=DEFAULT_CONFIG.copy())​

# forward propagate​

_, decision = ta.propagate("NVDA", "2024-05-10")​

print(decision)​

​

•

也可以调整默认配置，设置您偏好的大语言模型（LLMs）、辩论轮次等参数。​

​

​

​

代码块​

Python

from tradingagents.graph.trading_graph import TradingAgentsGraph​

from tradingagents.default_config import DEFAULT_CONFIG​

# Create a custom config​

config = DEFAULT_CONFIG.copy()​

config["deep_think_llm"] = "gpt-4.1-nano" # Use a different model​

config["quick_think_llm"] = "gpt-4.1-nano" # Use a different model​

config["max_debate_rounds"] = 1 # Increase debate rounds​

# Configure data vendors (default uses yfinance and Alpha Vantage)​

config["data_vendors"] = {​

"core_stock_apis": "yfinance", # Options: yfinance, alpha_vantage, local​

"technical_indicators": "yfinance", # Options: yfinance, alpha_vantage, local​

"fundamental_data": "alpha_vantage", # Options: openai, alpha_vantage, local​

"news_data": "alpha_vantage", # Options: openai, alpha_vantage, google, local​

}​

# Initialize with custom config​

ta = TradingAgentsGraph(debug=True, config=config)​

​

​

提醒：TradingAgents 框架仅供研究用途。交易表现可能会因为模型、参数、数据等多种因素而异，不构成财务、投资或交易建议​

​