近两年，大语言模型（LLM）与智能体（AIAgent）技术以颠覆性姿态重塑全球科技格局，从模型能力跃迁到产业深度融合，其发展速度与广度远超预期。海外科技巨头OpenAI、谷歌、Anthropic等不断推陈出新，模型迭代升级进度明显加快，国内科技公司也在不断追赶，AI行业的快速发展正在重塑各行业生态。
　　金融市场由于其高度复杂和瞬息万变的特征，通用大模型应用于金融市场时存在较多问题，特别是投资研究领域，对数据质量和合规风控的要求极高，同时对模型幻觉的容忍度很低。
　　近期，UCLA、MIT以及Tauric Research学者发布的论文《TradingAgents: Multi-Agents LLMFinancial Trading Framework》中，提出了一种受交易公司启发的股票交易框架，该框架由LLM驱动的若干个专业化智能体构成，包括由基本面分析师Agent、技术面分析师Agent、情绪分析师Agent、新闻分析师Agent等构成分析师团队，由评估市场条件的多头/空头研究员Agent构成的研究团队，监控风险敞口的风险管理团队，以及通过辩论和历史数据综合决策的交易员Agent等。平台能够协同评估市场状况并制定交易决策，这些智能体还可以进行动态讨论以确定最优策略。
　　本文中我们对TradingAgents架构进行了本地部署、修改与测试，TradingAgents平台不仅可以对当前股票信息进行综合分析，也可以进行历史回测。
　　从案例分析结果来看，TradingAgents框架已基本实现了投资交易的主要环节，对于投研工作有较好的辅助支持。但其分析结果一方面依赖于高质量的数据源，另一方面也需要注意大模型幻觉产生的错误导向。因此实际使用中仍需要投研人员结合各方面的信息进行综合判断。
　　此外，从测试结果来看，主流海外大模型的使用成本依然较高，相较而言DeepSeek模型的性价比极高。未来随着算力不断提升，模型能力的进一步加强以及大模型成本的不断下降，AI智能体在金融投研中的应用或可进一步深入并更加贴近实战，真正帮助投研人员提升投研效率，辅助决策。
　　风险提示
　　本报告基于历史数据分析，历史规律未来可能存在失效的风险；本报告中的案例仅供测试使用，不构成投资建议；AI大模型回答结果不一，生成结论可能存在错误。