JTrade：多智能体交易决策系统

Java 版多智能体交易决策系统

基于大语言模型（LLM）的智能金融交易研究框架

English | 简体中文

📖 目录

项目概述
项目架构
核心功能
技术栈
环境配置
构建与运行
目录结构
核心模块
CLI 使用指南
报告生成
跨平台部署
演示程序
配置说明
常见问题
贡献指南
许可证

🎯 项目概述

JTrade 是一个基于多智能体架构的智能交易决策系统，使用 Java 17 和 Spring Boot 3.2 构建。系统模拟真实交易公司的运作流程，通过 12 个专业智能体的协同工作，为股票交易提供全面、多维度的分析 and 决策支持。

🏗 项目架构

系统的核心设计采用了图编排与多智能体 ReAct 循环相结合的架构，确保了决策过程的深度与逻辑严密性。

graph TD
    User([用户/CLI/Demo]) --> TS[TradingService / TradingGraph]
    
    subgraph Core_Engine [核心引擎]
        TS --> State[AgentState - 流程状态]
        TS --> Workflow[工作流编排 - 并行流水线]
    end
    
    subgraph Multi_Agent_System [多智能体系统]
        Workflow --> Analysts[分析师团队 - 并行分析]
        Workflow --> Researchers[研究员团队 - 多空辩论]
        Workflow --> Managers[研究/风险经理 - 决策审批]
        Workflow --> Trader[交易员 - 计划制定]
        
        Analysts -.-> BaseRecAgent[BaseRecAgent - ReAct循环]
    end
    
    subgraph Infrastructure [基础设施]
        Multi_Agent_System --> LLM[LlmClient - 多模型支持]
        Multi_Agent_System --> Tools[工具调用]
        Tools --> DA[DataAggregator - ta4j/Yahoo/Finnhub]
        DA --> Cache[(Caffeine 缓存)]
        
        Workflow --> Memory[MemoryService - 历史记忆]
        Workflow --> Reflection[ReflectionService - 三层反思]
        Workflow --> Report[ReportWriter - Markdown报告]
    end
    
    State -.-> Multi_Agent_System

系统特点

🤖 多智能体协作：12 个专业智能体模拟真实交易团队（分析师、研究员、交易员、风险管理）
🔄 完整决策流程：9 个阶段从数据分析到风险管理的完整链路
🧠 智能反思机制：3 层反思系统持续优化决策质量
💾 记忆系统：历史决策记录与检索，支持经验积累
📊 自动报告生成：Markdown 格式的详细分析报告，按股票代码组织
🔌 灵活 LLM 支持：支持 OpenAI、通义千问、DeepSeek、Ollama 等多种大模型
🚀 生产就绪：可执行 JAR 包、跨平台启动脚本、完整的监控日志

✨ 核心功能

1. 多智能体决策系统

系统包含 12 个专业智能体，分工协作完成交易决策：

📈 分析师团队（4 个）

市场分析师：技术指标分析（MA, RSI, MACD, 布林带等）
基本面分析师：财务数据、公司基本面分析
新闻分析师：新闻事件影响评估
社交媒体分析师：市场情绪分析

🔬 研究员团队（2 个）

多头研究员：看涨观点论证
空头研究员：看跌观点论证
通过辩论机制全面评估市场方向

💼 交易团队（1 个）

交易员：制定具体交易计划（入场点、止损、止盈）

⚖️ 风险管理团队（5 个）

激进辩论者：高风险高回报策略
保守辩论者：稳健保守策略
中立辩论者：平衡风险收益
研究经理：整合分析结果，做出研究决策
风险管理器：最终审批，风险把控

2. 9 阶段决策工作流

graph TB
    A[阶段1: 分析师分析] --> B[阶段2: 研究员辩论]
    B --> C[阶段3: 研究经理决策]
    C --> D[阶段4: 交易计划制定]
    D --> E[阶段5: 风险辩论]
    E --> F[阶段6: 风险管理审批]
    F --> G[阶段7: 反思学习]
    G --> H[阶段8: 保存记忆]
    H --> I[阶段9: 生成报告]

3. 高级特性

反思学习机制：分析反思、决策反思、综合反思三个层次
记忆系统：最多保留 10 条历史决策，支持摘要和统计分析
Prompt 管理：集中式配置文件管理所有智能体提示词
Graph 工作流：支持条件分支和循环的灵活工作流编排
数据聚合：支持真实 API（Finnhub、Yahoo Finance）和模拟数据

🛠 技术栈

核心框架

技术	版本	说明
Java	17	LTS 长期支持版本
Spring Boot	3.2.1	企业级应用框架
Maven	3.6+	项目构建与依赖管理

主要依赖

依赖	版本	用途
OkHttp	4.12.0	HTTP 客户端，LLM API 调用
Jackson	2.16.1	JSON 序列化/反序列化
Lombok	1.18.30	简化 Java 代码
TA4J	0.15	技术分析指标库
Guava	33.0.0	Google 核心工具库
Commons CSV	1.10.0	CSV 数据处理
Logback	1.4.14	日志框架

支持的 LLM 提供商

✅ OpenAI（gpt-4o、gpt-4o-mini、o1-mini）
✅ 通义千问（qwen-plus、qwen-turbo）
✅ DeepSeek（deepseek-chat）
✅ Ollama（本地模型）

⚙️ 环境配置

1. 安装 JDK 17

macOS

# 使用 Homebrew
brew install openjdk@17

# 配置环境变量
echo 'export JAVA_HOME=/Library/Java/JavaVirtualMachines/jdk-17.jdk/Contents/Home' >> ~/.zshrc
echo 'export PATH=$JAVA_HOME/bin:$PATH' >> ~/.zshrc
source ~/.zshrc

Linux

# Ubuntu/Debian
sudo apt update
sudo apt install openjdk-17-jdk

# CentOS/RHEL
sudo yum install java-17-openjdk-devel

# 配置环境变量
echo 'export JAVA_HOME=/usr/lib/jvm/java-17-openjdk' >> ~/.bashrc
source ~/.bashrc

Windows

下载 Oracle JDK 17
安装并配置环境变量 JAVA_HOME
验证安装：java -version

2. 安装 Maven

# macOS
brew install maven

# Linux
sudo apt install maven  # Ubuntu/Debian
sudo yum install maven   # CentOS/RHEL

# 验证安装
mvn -version

3. 配置 API 密钥

方式1：环境变量（推荐）

# OpenAI
export OPENAI_API_KEY=sk-your-openai-api-key

# 通义千问
export DASHSCOPE_API_KEY=sk-your-dashscope-api-key

# Finnhub（可选，用于真实数据）
export FINNHUB_API_KEY=your-finnhub-api-key

方式2：配置文件

编辑 src/main/resources/application.yml：

llm:
  provider: openai  # 或 qwen, deepseek, ollama
  
  openai:
    apiKey: ${OPENAI_API_KEY}
    baseUrl: https://api.openai.com/v1

🚀 构建与运行

快速开始

# 1. 克隆项目
git clone https://github.com/Leavesfly/TradingAgents.git
cd TradingAgents/JTrade

# 2. 设置环境变量
export JAVA_HOME=/Library/Java/JavaVirtualMachines/jdk-17.jdk/Contents/Home
export OPENAI_API_KEY=your-api-key

# 3. 编译项目
mvn clean compile -DskipTests

# 4. 运行演示程序
mvn spring-boot:run -Dspring-boot.run.main-class=io.leavesfly.jtrade.JTradeDemoApplication

打包为可执行 JAR

# 打包
mvn clean package -DskipTests

# 运行 JAR
java -jar target/jtrade-1.0.0-exec.jar

使用启动脚本（推荐）

Unix/Linux/Mac

# 解压分发包
tar -xzf target/jtrade-1.0.0-distribution.tar.gz
cd jtrade-1.0.0

# 运行演示程序
./bin/jtrade.sh demo

# 运行 CLI 工具
./bin/jtrade.sh cli

# 运行集成演示
./bin/jtrade.sh integration

Windows

REM 解压分发包
unzip target\jtrade-1.0.0-distribution.zip
cd jtrade-1.0.0

REM 运行演示程序
bin\jtrade.bat demo

REM 运行 CLI 工具
bin\jtrade.bat cli

📁 目录结构

JTrade/
├── src/
│   ├── main/
│   │   ├── java/io/leavesfly/jtrade/
│   │   │   ├── agents/              # 智能体实现
│   │   │   │   ├── analysts/        # 分析师团队
│   │   │   │   ├── researchers/     # 研究员团队
│   │   │   │   ├── trader/          # 交易员
│   │   │   │   ├── risk/            # 风险辩论者
│   │   │   │   ├── managers/        # 管理层
│   │   │   │   └── base/            # 基础接口
│   │   │   ├── core/                # 核心功能
│   │   │   │   ├── state/           # 状态管理
│   │   │   │   ├── memory/          # 记忆系统
│   │   │   │   ├── reflection/      # 反思机制
│   │   │   │   ├── report/          # 报告生成
│   │   │   │   ├── prompt/          # Prompt 管理
│   │   │   │   └── workflow/        # 工作流引擎
│   │   │   ├── graph/               # Graph 工作流
│   │   │   │   ├── TradingGraph.java
│   │   │   │   ├── ConditionalLogic.java
│   │   │   │   └── GraphPropagator.java
│   │   │   ├── service/             # 服务层
│   │   │   │   └── TradingService.java
│   │   │   ├── llm/                 # LLM 客户端
│   │   │   │   ├── client/
│   │   │   │   ├── model/
│   │   │   │   └── exception/
│   │   │   ├── dataflow/            # 数据流
│   │   │   │   ├── provider/
│   │   │   │   └── model/
│   │   │   ├── config/              # 配置类
│   │   │   ├── cli/                 # CLI 工具
│   │   │   └── demo/                # 演示程序
│   │   └── resources/
│   │       ├── prompts/             # Prompt 配置
│   │       │   └── agent-prompts.properties
│   │       ├── application.yml      # 主配置文件
│   │       └── logback-spring.xml   # 日志配置
│   └── test/                        # 测试代码
├── scripts/                         # 启动脚本
│   ├── jtrade.sh                    # Unix 启动脚本
│   └── jtrade.bat                   # Windows 启动脚本
├── reports/                         # 报告输出目录
│   └── {SYMBOL}/                    # 按股票代码组织
│       └── {DATE}/                  # 按日期分类
├── pom.xml                          # Maven 配置
├── README.md                        # 本文档
├── QUICK_START.md                   # 快速开始指南
└── PROJECT_STATUS.md                # 项目状态

🧩 核心模块

1. 多智能体系统（`agents/`）

基础接口：Agent.java

public interface Agent {
    AgentState execute(AgentState state);
    AgentType getType();
}

智能体类型：

分析师：MarketAnalyst, FundamentalsAnalyst, NewsAnalyst, SocialMediaAnalyst
研究员：BullResearcher, BearResearcher
交易员：Trader
风险辩论者：AggressiveDebator, ConservativeDebator, NeutralDebator
管理层：ResearchManager, RiskManager

2. 工作流引擎（`core/workflow/` 和 `graph/`）

TradingService：顺序工作流，简洁易用

public AgentState executeTradingWorkflow(String symbol, LocalDate date) {
    // 9 个阶段的顺序执行
    // 1. 分析师分析
    // 2. 研究员辩论
    // 3-9. ...
}

TradingGraph：图工作流，支持条件分支

public AgentState propagate(String symbol, LocalDate date) {
    // 支持条件判断和循环
    // 更灵活的工作流编排
}

3. 状态管理（`core/state/`）

使用不可变对象 + Builder 模式：

@Data
@Builder(toBuilder = true)
public class AgentState {
    private String company;              // 股票代码
    private LocalDate date;              // 分析日期
    private List<String> analystReports; // 分析师报告
    private String finalSignal;          // 最终信号（BUY/SELL/HOLD）
    // ...
}

4. LLM 客户端（`llm/client/`）

支持多种 LLM 提供商的统一接口：

public interface LlmClient {
    LlmResponse chat(List<LlmMessage> messages, ModelConfig config);
}

SimpleLlmClient 实现：

支持 OpenAI、通义千问、DeepSeek、Ollama
指数退避重试机制
完善的错误处理

5. 反思系统（`core/reflection/`）

三层反思机制：

分析反思：评估分析质量
决策反思：审视决策过程
综合反思：整体复盘

6. 记忆系统（`core/memory/`）

功能：

历史决策存储（最多 10 条）
决策检索与统计
历史摘要生成

7. 报告生成（`core/report/`）

自动生成 Markdown 格式报告：

按股票代码组织目录：reports/{SYMBOL}/
按日期分类：reports/{SYMBOL}/{DATE}/
包含时间戳避免冲突
8 种报告类型 + 1 个最终摘要

💻 CLI 使用指南

启动 CLI

# 方式1：Maven
mvn spring-boot:run -Dspring-boot.run.main-class=io.leavesfly.jtrade.cli.JTradeCLI

# 方式2：JAR 包
java -jar target/jtrade-1.0.0-exec.jar --spring.main.class=io.leavesfly.jtrade.cli.JTradeCLI

# 方式3：启动脚本
./bin/jtrade.sh cli

命令列表

命令	说明	示例
`analyze`	分析指定股票	`analyze AAPL 2024-05-10`
`history`	查看历史决策	`history AAPL`
`list`	列出所有决策	`list`
`clear`	清除历史记录	`clear AAPL`
`help`	显示帮助信息	`help`
`exit`	退出 CLI	`exit`

使用示例

jtrade> analyze AAPL 2024-05-10
[执行分析...]
✓ 分析完成
  最终信号: BUY
  报告位置: ./reports/AAPL/2024-05-10/

jtrade> history AAPL
[显示 AAPL 的历史决策]

jtrade> list
[显示所有股票的决策记录]

jtrade> exit
感谢使用 JTrade！

📊 报告生成

报告目录结构

reports/
├── AAPL/                    # Apple 股票
│   └── 2024-05-10/          # 分析日期
│       ├── 20240510_143000_FINAL_SUMMARY.md          # 📊 最终摘要（推荐首先查看）
│       ├── 20240510_143000_analyst_reports.md        # 📈 分析师报告
│       ├── 20240510_143000_researcher_debate.md      # 💬 研究员辩论
│       ├── 20240510_143000_research_manager_decision.md  # ✅ 研究经理决策
│       ├── 20240510_143000_trading_plan.md           # 💼 交易计划
│       ├── 20240510_143000_risk_debate.md            # ⚖️ 风险辩论
│       ├── 20240510_143000_risk_manager_decision.md  # 🛡️ 风险管理决策
│       └── 20240510_143000_reflections.md            # 🧠 反思记录
├── TSLA/                    # Tesla 股票
└── MSFT/                    # Microsoft 股票

报告内容

FINAL_SUMMARY.md（最终摘要）

包含：

📋 基本信息（股票代码、日期、时间）
📊 决策流程摘要（各阶段统计）
🎯 最终交易信号（BUY/SELL/HOLD）
💡 关键决策点（核心观点摘要）
📁 详细报告文件清单

查看报告

# 查看 AAPL 的最终摘要
cat ./reports/AAPL/2024-05-10/*_FINAL_SUMMARY.md

# 查看所有报告文件
ls -lh ./reports/AAPL/2024-05-10/

# 使用 Markdown 阅读器
markdown-reader ./reports/AAPL/2024-05-10/*_FINAL_SUMMARY.md

🌍 跨平台部署

1. 构建分发包

# 生成所有分发包
mvn clean package -DskipTests

# 生成的文件：
# - jtrade-1.0.0-exec.jar          (26MB，可执行 JAR)
# - jtrade-1.0.0-distribution.tar.gz (24MB，Unix/Linux/Mac)
# - jtrade-1.0.0-distribution.zip    (24MB，Windows)

2. Unix/Linux/Mac 部署

# 1. 解压分发包
tar -xzf jtrade-1.0.0-distribution.tar.gz
cd jtrade-1.0.0

# 2. 配置环境变量
export OPENAI_API_KEY=your-api-key
export JAVA_OPTS="-Xms1g -Xmx4g -XX:+UseG1GC"

# 3. 运行
./bin/jtrade.sh demo

3. Windows 部署

REM 1. 解压分发包
unzip jtrade-1.0.0-distribution.zip
cd jtrade-1.0.0

REM 2. 配置环境变量
set OPENAI_API_KEY=your-api-key
set JAVA_OPTS=-Xms1g -Xmx4g

REM 3. 运行
bin\jtrade.bat demo

4. Docker 部署

FROM openjdk:17-slim

WORKDIR /app

COPY target/jtrade-1.0.0-exec.jar app.jar

ENV OPENAI_API_KEY=""
ENV JAVA_OPTS="-Xms1g -Xmx4g"

EXPOSE 8080

ENTRYPOINT ["sh", "-c", "java $JAVA_OPTS -jar app.jar"]

# 构建镜像
docker build -t jtrade:1.0.0 .

# 运行容器
docker run -e OPENAI_API_KEY=your-key jtrade:1.0.0

5. 生产环境优化

# JVM 参数优化
export JAVA_OPTS="\
  -Xms2g -Xmx4g \
  -XX:+UseG1GC \
  -XX:MaxGCPauseMillis=200 \
  -XX:+HeapDumpOnOutOfMemoryError \
  -XX:HeapDumpPath=/var/logs/jtrade \
  -Dfile.encoding=UTF-8"

# 后台运行
nohup java $JAVA_OPTS -jar jtrade-1.0.0-exec.jar > /var/logs/jtrade/app.log 2>&1 &

🎮 演示程序

JTrade 提供 8 个完整的演示程序，展示不同功能特性：

演示程序	说明	运行命令
IntegrationDemo	完整功能集成演示	`mvn spring-boot:run -Dspring-boot.run.main-class=io.leavesfly.jtrade.demo.IntegrationDemo`
InteractiveDemo	交互式演示	`-Dspring-boot.run.main-class=io.leavesfly.jtrade.demo.InteractiveDemo`
AgentPerformanceDemo	智能体性能分析	`-Dspring-boot.run.main-class=io.leavesfly.jtrade.demo.AgentPerformanceDemo`
WorkflowVisualizationDemo	工作流可视化	`-Dspring-boot.run.main-class=io.leavesfly.jtrade.demo.WorkflowVisualizationDemo`
BatchTestDemo	批量测试	`-Dspring-boot.run.main-class=io.leavesfly.jtrade.demo.BatchTestDemo`
ComparativeAnalysisDemo	对比分析	`-Dspring-boot.run.main-class=io.leavesfly.jtrade.demo.ComparativeAnalysisDemo`
PromptManagementDemo	Prompt 管理	`-Dspring-boot.run.main-class=io.leavesfly.jtrade.demo.PromptManagementDemo`
ReportWriterDemo	报告写入功能	`-Dspring-boot.run.main-class=io.leavesfly.jtrade.demo.ReportWriterDemo`

⚙️ 配置说明

LLM 配置（`application.yml`）

llm:
  provider: openai  # openai, qwen, deepseek, ollama
  
  openai:
    apiKey: ${OPENAI_API_KEY}
    baseUrl: https://api.openai.com/v1
  
  qwen:
    apiKey: ${DASHSCOPE_API_KEY}
    baseUrl: https://dashscope.aliyuncs.com/compatible-mode/v1
  
  deepseek:
    apiKey: ${DEEPSEEK_API_KEY}
    baseUrl: https://api.deepseek.com
  
  ollama:
    baseUrl: http://localhost:11434
  
  deepThinkModelName: gpt-4o        # 深度思考模型
  quickThinkModelName: gpt-4o-mini  # 快速思考模型

Prompt 配置（`agent-prompts.properties`）

位置：src/main/resources/prompts/agent-prompts.properties

# 市场分析师
analyst.market.system=你是一名资深的市场分析师...
analyst.market.prompt=请分析以下股票的技术指标：{symbol}...

# 基本面分析师
analyst.fundamentals.system=你是一名资深的基本面分析师...
# ...

日志配置（`logback-spring.xml`）

支持按日期、大小滚动，彩色控制台输出。

❓ 常见问题

Q1: 编译失败，提示 Java 版本不对？

A: 确保 JAVA_HOME 指向 JDK 17：

echo $JAVA_HOME
java -version
# 应该显示 java version "17.x.x"

Q2: 运行时提示 API 密钥未设置？

A: 设置环境变量：

export OPENAI_API_KEY=your-api-key
# 或在 application.yml 中配置

Q3: 如何切换不同的 LLM 提供商？

A: 修改 application.yml 中的 llm.provider：

llm:
  provider: qwen  # 改为 qwen、deepseek 或 ollama

Q4: 报告文件在哪里？

A: 默认在项目根目录的 ./reports/{股票代码}/{日期}/ 下。

Q5: 如何修改智能体的 Prompt？

A: 编辑 src/main/resources/prompts/agent-prompts.properties。

Q6: 内存不足怎么办？

A: 调整 JVM 参数：

export JAVA_OPTS="-Xms2g -Xmx4g"

Q7: 如何使用本地模型（Ollama）？

A:

# 1. 安装 Ollama
curl https://ollama.ai/install.sh | sh

# 2. 下载模型
ollama pull llama2

# 3. 修改配置
llm:
  provider: ollama
  ollama:
    baseUrl: http://localhost:11434

🤝 贡献指南

欢迎贡献代码、报告问题或提出建议！

开发流程

# 1. Fork 项目
# 2. 创建特性分支
git checkout -b feature/your-feature

# 3. 提交更改
git commit -am 'Add some feature'

# 4. 推送到分支
git push origin feature/your-feature

# 5. 创建 Pull Request

代码规范

遵循 Java 代码规范
使用 Lombok 简化代码
添加必要的注释和文档
编写单元测试

📞 联系方式

项目主页：GitHub
问题反馈：Issues
文档：Wiki

⭐ 如果这个项目对你有帮助，请给它一个 Star！

由 ❤️ 和 ☕ 驱动

Name		Name	Last commit message	Last commit date
Latest commit History 5 Commits
docs		docs
reports		reports
scripts		scripts
src		src
.gitignore		.gitignore
README.md		README.md
pom.xml		pom.xml

Leavesfly/JTrade

Folders and files

Latest commit

History

Repository files navigation

JTrade：多智能体交易决策系统

📖 目录

🎯 项目概述

🏗 项目架构

系统特点

✨ 核心功能

1. 多智能体决策系统

📈 分析师团队（4 个）

🔬 研究员团队（2 个）

💼 交易团队（1 个）

⚖️ 风险管理团队（5 个）

2. 9 阶段决策工作流

3. 高级特性

🛠 技术栈

核心框架

主要依赖

支持的 LLM 提供商

⚙️ 环境配置

1. 安装 JDK 17

macOS

Linux

Windows

2. 安装 Maven

3. 配置 API 密钥

方式1：环境变量（推荐）

方式2：配置文件

🚀 构建与运行

快速开始

打包为可执行 JAR

使用启动脚本（推荐）

Unix/Linux/Mac

Windows

📁 目录结构

🧩 核心模块

1. 多智能体系统（agents/）

2. 工作流引擎（core/workflow/ 和 graph/）

3. 状态管理（core/state/）

4. LLM 客户端（llm/client/）

5. 反思系统（core/reflection/）

6. 记忆系统（core/memory/）

7. 报告生成（core/report/）

💻 CLI 使用指南

启动 CLI

命令列表

使用示例

📊 报告生成

报告目录结构

报告内容

FINAL_SUMMARY.md（最终摘要）

查看报告

🌍 跨平台部署

1. 构建分发包

2. Unix/Linux/Mac 部署

3. Windows 部署

4. Docker 部署

5. 生产环境优化

🎮 演示程序

⚙️ 配置说明

LLM 配置（application.yml）

Prompt 配置（agent-prompts.properties）

日志配置（logback-spring.xml）

❓ 常见问题

Q1: 编译失败，提示 Java 版本不对？

Q2: 运行时提示 API 密钥未设置？

Q3: 如何切换不同的 LLM 提供商？

Q4: 报告文件在哪里？

Q5: 如何修改智能体的 Prompt？

Q6: 内存不足怎么办？

Q7: 如何使用本地模型（Ollama）？

🤝 贡献指南

开发流程

代码规范

📞 联系方式

About

Resources

1. 多智能体系统（`agents/`）

2. 工作流引擎（`core/workflow/` 和 `graph/`）

3. 状态管理（`core/state/`）

4. LLM 客户端（`llm/client/`）

5. 反思系统（`core/reflection/`）

6. 记忆系统（`core/memory/`）

7. 报告生成（`core/report/`）

LLM 配置（`application.yml`）

Prompt 配置（`agent-prompts.properties`）

日志配置（`logback-spring.xml`）

Packages