TradingAgents: phân tích giao dịch bằng AI đa tác tử — hướng dẫn cài đặt và dùng
Bài này là một góc nhìn khác về TauricResearch/TradingAgents — repo từng đổi tên nên mình viết lại với cách tiếp cận khác. Bài hướng dẫn chính: TradingAgents: đội agent AI phân tích cổ phiếu, crypto — hướng dẫn cài đặt và dùng →

Tóm tắt nhanh
TradingAgents là framework Python mã nguồn mở, dùng nhiều tác tử LLM để phân tích cơ bản, kỹ thuật, tin tức, tâm lý và rủi ro trước khi đưa ra quyết định giao dịch mô phỏng. Repo phù hợp cho nghiên cứu, thử nghiệm chiến lược và xây ứng dụng phân tích; cài đặt ở mức vừa phải vì cần Python, gói phụ thuộc và API của một nhà cung cấp LLM.
TradingAgents là framework Python dùng nhiều tác tử AI để phân tích thị trường và đưa ra quyết định giao dịch mô phỏng. Thay vì hỏi một mô hình duy nhất, framework chia việc cho các vai trò như chuyên gia phân tích cơ bản, kỹ thuật, tin tức, tâm lý, nhà giao dịch và quản trị rủi ro.
Repo phù hợp với lập trình viên, nhóm nghiên cứu, người muốn thử nghiệm chiến lược hoặc xây công cụ hỗ trợ theo dõi cổ phiếu. Người làm kinh doanh cũng có thể dùng để tạo báo cáo nghiên cứu có cấu trúc, nhưng cần nhớ đây là công cụ nghiên cứu, không phải lời khuyên đầu tư.
Điểm đáng giá nhất là các tác tử có thể làm việc theo quy trình gần với một công ty giao dịch: phân tích song song, tranh luận giữa bên lạc quan và bi quan, sau đó đánh giá rủi ro trước khi Portfolio Manager chấp thuận hoặc từ chối giao dịch trên sàn mô phỏng. Repo hiện có khoảng 122387 sao và 23426 fork, dùng giấy phép Apache-2.0.
TauricResearch/TradingAgents
Framework Python dùng nhiều tác tử AI để phân tích thị trường, tranh luận và đưa ra quyết định giao dịch mô phỏng.
I.TradingAgents làm được gì
A.Phân tích một mã theo nhiều góc nhìn
Nhóm Analyst Team gồm Fundamentals Analyst, Sentiment Analyst, News Analyst và Technical Analyst. Mỗi tác tử tập trung vào một loại dữ liệu riêng. Cách chia vai trò này giúp báo cáo không chỉ dựa vào một tín hiệu duy nhất.
Fundamentals Analyst xem xét tình hình tài chính, chỉ số hoạt động, giá trị nội tại và dấu hiệu rủi ro. Technical Analyst dùng các chỉ báo như MACD và RSI để tìm mẫu hình và đánh giá khả năng biến động giá. News Analyst xem tin tức và chỉ báo kinh tế vĩ mô. Sentiment Analyst tổng hợp tiêu đề tin, StockTwits và Reddit để ước lượng tâm lý ngắn hạn.
B.Cho các tác tử tranh luận với nhau
Sau khi các analyst hoàn tất báo cáo, nhóm nghiên cứu gồm bullish researcher và bearish researcher sẽ phản biện các nhận định đó. Một bên tìm cơ hội tăng giá, bên còn lại tập trung vào rủi ro và lý do không nên giao dịch.
Lợi ích thực tế là bạn có thể nhìn thấy cả luận điểm ủng hộ và phản đối thay vì chỉ nhận một kết luận ngắn. Số vòng tranh luận cũng có thể điều chỉnh trong cấu hình.
C.Tạo quyết định giao dịch mô phỏng
Trader Agent tổng hợp báo cáo của analyst và researcher để quyết định thời điểm cũng như quy mô giao dịch. Tiếp theo, nhóm quản trị rủi ro xem xét biến động, thanh khoản và những yếu tố rủi ro khác.
Portfolio Manager là bước phê duyệt cuối. Nếu chấp thuận đề xuất, lệnh được gửi tới sàn mô phỏng và thực thi. Đây là luồng phù hợp để nghiên cứu quy trình ra quyết định, không phải kết nối trực tiếp với tài khoản giao dịch thật theo nội dung được cung cấp.
D.Hỗ trợ nhiều nhà cung cấp LLM
Framework hỗ trợ OpenAI, Google, Anthropic, xAI, DeepSeek, Qwen qua DashScope, GLM, MiniMax, OpenRouter, Mistral, Kimi, Groq, NVIDIA NIM, Ollama, Azure OpenAI, AWS Bedrock và các máy chủ tương thích OpenAI.
Bạn có thể dùng một nhà cung cấp cho tác vụ suy luận sâu và một nhà cung cấp khác cho tác vụ nhanh. Với máy chủ cục bộ như Ollama, vLLM, LM Studio hoặc llama.cpp, framework có thể dùng endpoint tương thích OpenAI.
E.Chạy tương tác hoặc tự động hóa
CLI tương tác cho phép chọn mã, ngày phân tích, nhà cung cấp LLM, độ sâu nghiên cứu và các tùy chọn khác. Nếu cần chạy theo lịch hoặc từ script, bạn có thể dùng các biến TRADINGAGENTS_* cùng cờ dòng lệnh để bỏ qua phần hỏi đáp.
Kết quả có thể được lưu thành báo cáo. Báo cáo HTML một trang có mục lục bên cạnh nội dung, thuận tiện để đọc trên trình duyệt, điện thoại hoặc in ra.
F.Dùng như thư viện Python
Bạn có thể import gói tradingagents, khởi tạo TradingAgentsGraph, gọi .propagate() để nhận quyết định rồi lưu báo cáo. Cách này phù hợp khi muốn nhúng phân tích vào một chương trình nội bộ hoặc quy trình nghiên cứu riêng.
II.Cần chuẩn bị gì
- Máy có Python từ 3.11 trở lên.
pyproject.tomlcủa repo yêu cầu phiên bản này. - Mã nguồn repo và các gói phụ thuộc trong
requirements.txthoặc được cài qua gói Python của dự án. - API key của nhà cung cấp LLM bạn chọn, chẳng hạn
OPENAI_API_KEY,GOOGLE_API_KEY,ANTHROPIC_API_KEY,XAI_API_KEY,DEEPSEEK_API_KEY,DASHSCOPE_API_KEY,ZHIPU_API_KEY,MINIMAX_API_KEY,OPENROUTER_API_KEY,MISTRAL_API_KEY,MOONSHOT_API_KEY,GROQ_API_KEYhoặcNVIDIA_API_KEY. - Với dữ liệu FRED, có thể dùng
FRED_API_KEY; README ghi đây là khóa miễn phí và không bắt buộc. Alpha Vantage dùngALPHA_VANTAGE_API_KEY. - Nếu muốn lọc bài đăng StockTwits và Reddit bằng Jev, dùng
TYPESAFE_API_KEY. Đây là tùy chọn. - Nếu dùng Azure OpenAI, cần thông tin xác thực trong
.env.enterprise. Nếu dùng Bedrock, cần cài extra tương ứng, cấu hình thông tin xác thực AWS,AWS_DEFAULT_REGIONvà model ID Bedrock. - Nếu dùng Ollama hoặc máy chủ tương thích OpenAI ở máy riêng, cần máy chủ đó đang hoạt động. README không yêu cầu GPU cụ thể.
- Có thể dùng Docker và Docker Compose thay cho môi trường Python cục bộ.
Bạn không cần tất cả API key. Chỉ cấu hình nhà cung cấp và nguồn dữ liệu mà mình thực sự chọn. Chi phí API, giới hạn sử dụng và chất lượng kết quả phụ thuộc vào nhà cung cấp cùng mô hình.
III.Cài đặt từng bước
- Lấy mã nguồnClone repo và đi vào thư mục dự án
- Tạo môi trường PythonDùng Python 3.11 trở lên trong môi trường riêng
- Cài góiCài TradingAgents cùng các thư viện phụ thuộc
- Cấu hình khóaSao chép file môi trường và điền API key cần dùng
- Chạy thử CLIMở giao diện tương tác hoặc chạy từ source
A.Lấy mã nguồn
Mở PowerShell, Terminal hoặc cửa sổ dòng lệnh tại thư mục bạn muốn lưu dự án. Sau đó chạy:
git clone https://github.com/TauricResearch/TradingAgents.git
cd TradingAgentsgit clone tải mã nguồn về máy. cd TradingAgents chuyển terminal vào đúng thư mục. Lỗi thường gặp là chạy các lệnh tiếp theo ở thư mục khác, khiến không tìm thấy pyproject.toml hoặc .env.example.
B.Tạo môi trường Python
README yêu cầu Python 3.11 trở lên. Nếu dùng Conda, chạy:
conda create -n tradingagents python=3.13
conda activate tradingagentsNếu dùng uv, README đưa ra cách sau:
uv venv --python 3.13
source .venv/bin/activateTrên Windows, lệnh kích hoạt môi trường có thể khác tùy terminal và cách cài uv. README chỉ ghi lệnh source ở trên, nên nếu lệnh đó không chạy trong PowerShell, bạn cần xem cách kích hoạt môi trường của uv trên terminal đang dùng.
Môi trường riêng giúp các thư viện của TradingAgents không làm ảnh hưởng những dự án Python khác.
C.Cài gói và thư viện phụ thuộc
Sau khi đã ở trong thư mục repo và kích hoạt môi trường, chạy:
pip install .Lệnh này cài package cùng các dependency được khai báo trong dự án. README cũng ghi uv pip install . khi cài bằng uv; tuy nhiên phần lệnh cài đặt chính được cung cấp là pip install ..
Nếu muốn dùng AWS Bedrock, README ghi rõ cài extra bằng lệnh:
pip install ".[bedrock]"Chỉ cần extra này khi bạn chọn Bedrock. Không nên tự thêm tên extra khác vì tài liệu được cung cấp không nêu chúng.
D.Tạo file môi trường và điền khóa
Có thể sao chép file mẫu:
cp .env.example .envMở file .env bằng trình soạn thảo văn bản rồi điền khóa của nhà cung cấp bạn chọn. Không đưa file này lên GitHub và không gửi khóa trong ảnh chụp màn hình, log hoặc đoạn mã chia sẻ.
Ví dụ các biến được README nêu:
export OPENAI_API_KEY=...
export GOOGLE_API_KEY=...
export ANTHROPIC_API_KEY=...
export XAI_API_KEY=...
export DEEPSEEK_API_KEY=...
export FRED_API_KEY=...Các dòng export là cách đặt biến môi trường trong shell kiểu Unix. Nếu dùng Windows, cách đặt biến phụ thuộc vào PowerShell hoặc Command Prompt. Cách dễ kiểm soát hơn là điền vào .env theo hướng dẫn của repo.
Nếu muốn dùng Azure OpenAI, sao chép file enterprise:
cp .env.enterprise.example .env.enterpriseSau đó điền thông tin xác thực. Với Docker, README lưu ý image không tự đưa các file .env vào trong container, nên bạn cần đặt khóa trong .env.
E.Chạy bằng Docker nếu không muốn cài Python trực tiếp
Nếu máy đã có Docker và Docker Compose, chạy:
cp .env.example .env
docker compose run --rm tradingagentsTrước khi chạy, điền API key vào .env. Kết quả, báo cáo, memory log và cache nằm trong volume tradingagents_data.
Nếu muốn lưu dữ liệu vào thư mục trên máy host, README đưa ra lệnh:
mkdir -p data && TRADINGAGENTS_DATA_DIR=./data docker compose run --rm tradingagentsSau khi cập nhật repo, build lại image:
docker compose buildVới Ollama, dùng profile tương ứng:
docker compose --profile ollama run --rm tradingagents-ollamaF.Khởi chạy CLI
Sau khi cài xong, chạy CLI đã cài:
tradingagentsHoặc chạy trực tiếp từ source:
python -m cli.mainMàn hình sẽ cho bạn chọn ticker, ngày phân tích, LLM provider, độ sâu nghiên cứu và các tùy chọn khác. Các câu trả lời của lần chạy trước được dùng làm mặc định; nhấn Enter để chấp nhận.
Nếu cần tự động hóa, README hỗ trợ các biến TRADINGAGENTS_* và cờ dòng lệnh. Khi chạy không có terminal, nếu còn thiếu câu trả lời, chương trình sẽ dừng trước khi bắt đầu và chỉ ra cờ hoặc biến cần bổ sung.
IV.Kiểm tra đã chạy được chưa
Cách kiểm tra đơn giản nhất là chạy:
tradingagentsNếu giao diện xuất hiện và cho phép chọn ticker, ngày phân tích, provider cùng độ sâu nghiên cứu, phần cài đặt cơ bản đã hoạt động. Khi chạy, giao diện hiển thị kết quả khi chúng được tải, giúp bạn theo dõi tiến trình của các tác tử.
Một lần chạy thành công cần có API key hợp lệ của provider đã chọn. Nếu bật lưu báo cáo, kết quả có thể gồm complete_report.html. Mở file này trong trình duyệt để xem báo cáo một trang và phần mục lục.
Bạn cũng có thể chạy package từ Python:
from tradingagents.graph.trading_graph import TradingAgentsGraph
from tradingagents.default_config import DEFAULT_CONFIG
ta = TradingAgentsGraph(debug=True, config=DEFAULT_CONFIG.copy())
state, decision = ta.propagate("NVDA", "2026-09-01")
print(decision)
ta.save_reports(state, "NVDA")Nếu chương trình in ra decision và lưu được báo cáo, phần thư viện đã hoạt động. Lưu ý đoạn ví dụ của README có ngày cụ thể; khi dùng cho nghiên cứu mới, hãy chọn ngày phù hợp với dữ liệu bạn muốn phân tích.
V.Dùng vào việc thật
A.Chủ shop muốn theo dõi một doanh nghiệp công nghệ
Chủ shop có khoản tiền nhàn rỗi và muốn đọc một báo cáo có cấu trúc về một mã cổ phiếu công nghệ. Có thể mở CLI, chọn ticker, provider và độ sâu nghiên cứu. Framework sẽ giao việc cho các analyst, sau đó để nhóm bullish và bearish phản biện.
Kết quả là báo cáo gồm nhiều góc nhìn về tài chính, kỹ thuật, tin tức, tâm lý và rủi ro. Chủ shop nên dùng báo cáo để đặt câu hỏi nghiên cứu tiếp theo, không dùng như lệnh mua bán tự động.
B.Nhân viên văn phòng muốn tạo báo cáo định kỳ
Một nhân viên phụ trách tổng hợp thị trường có thể cấu hình các biến TRADINGAGENTS_*, dùng cờ --ticker, --analysts, --save và --no-show trong CLI để chạy mà không phải trả lời từng câu hỏi.
README minh họa việc chọn nhóm analyst như market,news,fundamentals. Sau mỗi lần chạy, báo cáo và các thiết lập của lần chạy có thể được lưu để kiểm tra lại. Cách này phù hợp với công việc tạo bản nháp nghiên cứu định kỳ.
C.Lập trình viên muốn nhúng phân tích vào ứng dụng Python
Dev có thể import TradingAgentsGraph, tạo một bản sao của DEFAULT_CONFIG, chọn provider, model suy luận sâu, model tác vụ nhanh và số vòng tranh luận.
Ví dụ cấu hình:
from tradingagents.graph.trading_graph import TradingAgentsGraph
from tradingagents.default_config import DEFAULT_CONFIG
config = DEFAULT_CONFIG.copy()
config["llm_provider"] = "openai"
config["deep_think_llm"] = "gpt-6-sol"
config["quick_think_llm"] = "gpt-6-luna"
config["max_debate_rounds"] = 2
ta = TradingAgentsGraph(debug=True, config=config)
_, decision = ta.propagate("NVDA", "2026-09-01")
print(decision)Ứng dụng của dev có thể lấy decision, lưu kết quả hoặc đưa báo cáo vào quy trình nội bộ. Các tên model và provider phải tương ứng với cấu hình đang được hỗ trợ.
D.Nhóm nghiên cứu muốn thử mô hình cục bộ
Nhóm không muốn gửi dữ liệu qua API bên ngoài có thể cấu hình llm_provider: "ollama". Endpoint mặc định là http://localhost:11434/v1; nếu dùng Ollama từ xa, đặt OLLAMA_BASE_URL tới endpoint đó.
Với vLLM, LM Studio, llama.cpp hoặc relay riêng, dùng llm_provider: "openai_compatible" và đặt backend_url, ví dụ endpoint cục bộ theo tài liệu. README ghi không cần key cho máy chủ local; nếu endpoint yêu cầu, đặt OPENAI_COMPATIBLE_API_KEY.
Một quyết định tốt hơn bắt đầu từ nhiều góc nhìn, nhưng không biến báo cáo AI thành lời khuyên đầu tư.
Ông T
VI.Lỗi hay gặp và cách xử lý
A.Python quá cũ
Nếu Python thấp hơn 3.11, việc cài package có thể thất bại vì pyproject.toml yêu cầu phiên bản tối thiểu này. Hãy tạo lại môi trường bằng Python mới hơn rồi kích hoạt đúng môi trường trước khi chạy pip install ..
B.Chạy lệnh ngoài thư mục repo
Nếu terminal không ở thư mục TradingAgents, lệnh pip install ., cp .env.example .env hoặc python -m cli.main có thể không tìm thấy file cần thiết. Chạy lại cd TradingAgents rồi kiểm tra có pyproject.toml và .env.example.
C.Thiếu hoặc sai API key
Nếu CLI mở được nhưng lần chạy dừng khi gọi model, kiểm tra provider đã chọn và biến khóa tương ứng. Chỉ cần khai báo provider bạn dùng; không cần điền toàn bộ danh sách khóa.
D.Docker không thấy khóa
README lưu ý image không bao gồm file .env. Hãy tạo .env ở thư mục dự án, điền khóa rồi chạy Docker Compose từ đúng thư mục. Nếu vừa cập nhật repo, dùng docker compose build trước khi chạy lại.
E.Dùng ticker không đúng thị trường
TradingAgents dùng ticker mà Yahoo Finance hỗ trợ, kèm hậu tố sàn khi cần. Ví dụ Hong Kong dùng .HK, Tokyo dùng .T, London dùng .L, còn crypto có dạng BTC-USD hoặc ETH-USD. Nếu chọn ticker sai, dữ liệu hoặc nhận diện công ty có thể không như mong đợi.
VII.Có nên dùng không
TradingAgents đáng dùng nếu bạn muốn nghiên cứu cách nhiều tác tử LLM phối hợp, thử nhiều provider, tạo báo cáo phân tích có cấu trúc hoặc nhúng luồng phân tích vào Python. Framework có CLI, Docker, hỗ trợ mô hình cục bộ, checkpoint, báo cáo HTML và nhiều nguồn dữ liệu.
Giới hạn lớn nhất là kết quả phụ thuộc vào model, nhiệt độ, thời kỳ giao dịch, chất lượng dữ liệu và các yếu tố không xác định. Chạy nhiều tác tử cũng có thể làm tăng thời gian và chi phí API. Repo được thiết kế cho mục đích nghiên cứu và README nói rõ không phải lời khuyên tài chính, đầu tư hay giao dịch.
Bạn nên chọn công cụ khác nếu chỉ cần xem giá đơn giản, cần một dashboard đầu tư hoàn chỉnh hoặc muốn đặt lệnh thật. Với người mới, nên bắt đầu bằng CLI, một provider, một ticker và báo cáo mô phỏng. Sau khi hiểu luồng hoạt động, hãy chuyển sang Python, Docker hoặc model cục bộ.
Không đưa API key vào mã nguồn, báo cáo công khai hoặc GitHub. Kiểm tra giới hạn và chi phí của provider trước khi chạy nhiều vòng tranh luận. Mọi quyết định giao dịch cần được con người kiểm chứng; hệ thống này chỉ phục vụ nghiên cứu và mô phỏng.
Câu hỏi thường gặp
TradingAgents có miễn phí không?
Mã nguồn dùng giấy phép Apache-2.0. Tuy nhiên README yêu cầu API của các nhà cung cấp LLM hoặc dữ liệu tùy cấu hình, nên chi phí sử dụng có thể phát sinh. Tài liệu được cung cấp không nêu bảng giá tổng thể.
Có cần GPU không?
README không yêu cầu GPU cụ thể. Bạn có thể dùng API của nhà cung cấp, Docker, Ollama hoặc máy chủ tương thích OpenAI; phần cứng cần thiết sẽ phụ thuộc vào cách triển khai model bạn chọn.
Có chạy được trên Windows không?
README có đề cập bản sửa lỗi mã hóa UTF-8 cho Windows. Tuy vậy, lệnh kích hoạt môi trường `uv` dùng cú pháp `source`, nên cách chạy cụ thể có thể khác tùy PowerShell hoặc terminal bạn sử dụng.
Có cần tất cả API key trong file .env không?
Không. Bạn chỉ cần khóa của provider và nguồn dữ liệu mà mình chọn. Danh sách được README hỗ trợ gồm nhiều provider như OpenAI, Google, Anthropic, xAI, DeepSeek, Ollama và các lựa chọn khác.
Dữ liệu và API key có an toàn không?
README hướng dẫn đặt khóa trong `.env` và lưu ý Docker không tự đưa file `.env` vào image. Tài liệu được cung cấp không mô tả đầy đủ chính sách bảo mật dữ liệu, vì vậy bạn không nên chia sẻ file chứa khóa hoặc dữ liệu nhạy cảm.
TradingAgents có đặt lệnh thật không?
README mô tả Portfolio Manager gửi lệnh tới sàn mô phỏng nếu đề xuất được chấp thuận. Framework được thiết kế cho nghiên cứu và không phải lời khuyên đầu tư, nên không nên xem đây là công cụ giao dịch thật.
Có thể dùng model cục bộ thay API không?
Có. README hỗ trợ Ollama và các máy chủ tương thích OpenAI như vLLM, LM Studio, llama.cpp hoặc relay riêng. Với Ollama, bạn cấu hình provider `ollama`; với server khác, dùng `openai_compatible` và đặt endpoint.


