تصور کنید یک تیم کامل از تحلیلگران خبره، هر یک با تخصص متفاوت، شبانهروزی روی سبد سهام شما نظارت کنند و پیش از هر خرید، با یکدیگر بجنگند. این دیگر یک رویای مدیریتی نیست، بلکه هسته مرکزی TradingAgents است؛ چارچوبی که سلسلهمراتب یک صندوق پوششی (Hedge Fund) حرفهای را در دنیای کدها بازسازی میکند. با این تغییر ساختاری، TauricResearch چارچوب TradingAgents را به صورت متنباز منتشر کرده است تا یک اکوسیستم همکاری از نقشهای مالی تخصصی را جایگزین یک پرامپت واحد در مدلهای زبانی بزرگ (LLM) کند.
بیشتر تلاشهای فعلی در حوزه معاملات هوشمند بر این باورند که یک مدل زبانی بزرگ (LLM) — مثل کتابخانهداری که میلیاردها صفحه را خوانده و حالا با همان لحن کتابها جواب میدهد — میتواند با یک پرامپت ساده، قیمت یک نماد را پیشبینی کند. اما طبق گزارش TauricResearch، این رویکرد به دلیل نادیده گرفتن اصطکاکهای داخلی و سیستمهای بازبینی و کنترل (Checks-and-balances) که در شرکتهای مالی واقعی وجود دارد، اغلب شکست میخورد. همانطور که در تحلیل قبلی ما دربارهی امنیت نقاط انتهایی مدلهای زبانی در محیطهای عملیاتی اشاره کردیم، صنعت اکنون از تولید خام متن به سمت گردشکارهای عاملمحور (Agentic) حرکت میکند که در آنها «تأیید» و «راستیآزمایی» بر «تولید» اولویت دارد.
در این معماری، ما با یک تالار معاملات دیجیتال روبرو هستیم؛ جایی که تحلیلگر بنیادی با تحلیلگر احساسات بحث میکند و مدیر ریسک قدرت وتوی تمام تصمیمات را دارد. این سیستم صرفاً قیمت را پیشبینی نمیکند، بلکه کل فرآیند تصمیمگیری سازمانی را شبیهسازی میکند.
تیم تحلیلگران
این چارچوب تحلیلهای پیچیده بازار را به چهار نقش مجزا تقسیم میکند تا هر جنبه از بازار توسط یک متخصص بررسی شود:
- تحلیلگر بنیادی (Fundamentals Analyst): بر صورتهای مالی شرکت و ارزش ذاتی تمرکز میکند تا نقاط قرمز و ریسکهای ساختاری را شناسایی کند.
- تحلیلگر احساسات (Sentiment Analyst): عناوین خبری، StockTwits و ردیت را برای سنجش مود و جو کوتاهمدت بازار میکاود.
- تحلیلگر اخبار (News Analyst): شاخصهای کلان اقتصادی جهانی و اثرات فوری آنها بر بازارها را رصد میکند.
- تحلیلگر تکنیکال (Technical Analyst): از اندیکاتورهای ریاضی مانند MACD و RSI برای پیشبینی حرکات قیمتی و شناسایی روندها استفاده میکند.
لایه پژوهش و اجرا
پس از جمعآوری دادهها توسط تحلیلگران، نوبت به تیم پژوهشگر (Researcher Team) میرسد. این تیم شامل پژوهشگران «صعودی» (Bullish) و «نزولی» (Bearish) است که وارد مناظرههای ساختاریافته میشوند. آنها بینشهای تحلیلگران را به چالش میکشند تا سودهای احتمالی را در برابر ریسکهای ذاتی متوازن کنند و از هرگونه سوگیری جلوگیری نمایند.
در نهایت، عامل معاملهگر (Trader Agent) این گزارشها را ترکیب و سنتز میکند تا زمان دقیق و حجم معامله را تعیین کند. با این حال، طبق مستندات پروژه، معاملهگر اختیار نهایی را ندارد. پیشنهاد او باید از فیلتر تیم مدیریت ریسک (Risk Management) و مدیر پرتفوی (Portfolio Manager) عبور کند. این مدیران میتوانند تراکنش را بر اساس میزان نوسانات بازار و نقدینگی موجود، تأیید یا رد کنند.
زیرساخت فنی و پشتیبانی از مدلها
این چارچوب که در ۸ سپتامبر ۲۰۲۶ در نسخه ۰.۴.۰ منتشر شد، برای انعطافپذیری و ماژولار بودن بیشتر بر پایه LangGraph بنا شده است. TradingAgents از طیف گستردهای از ارائهدهندگان مدل پشتیبانی میکند، از جمله OpenAI، Google، Anthropic، xAI، DeepSeek و همچنین Ollama برای میزبانی محلی و شخصی مدلها.
به نقل از توسعهدهندگان، بهروزرسانیهای اخیر چندین مشکل حیاتی در پایداری سیستم را حل کرده است:
- اصلاح نگاه به آینده (Look-ahead fixes): جلوگیری از «تقلب» مدل از طریق دسترسی به دادههای آتی در فیدهای دادههای کلان FRED و فیدهای احساسات اجتماعی، تا نتایج بکتست واقعی باشند.
- پوشش مدلها: پشتیبانی از مدلهای با قدرت استدلال بالا (High-reasoning) مانند GPT-5.6 و GLM-5.3.
- ازسرگیری نقطه بازرسی (Checkpoint Resume): قابلیتی که اجازه میدهد یک اجرای متوقفشده یا کرش کرده، بهجای شروع مجدد از صفر، از آخرین گره (Node) موفق ادامه یابد.
حافظه و بازتولیدپذیری
سیستم TradingAgents یک لاگ تصمیمات دائمی را پیادهسازی کرده است. هر اجرای تکمیلشده در یک فایل مارکداون محلی ذخیره میشود. در دفعات بعدی برای همان نماد، سیستم بازدهی واقعی (Realized Return) را بازیابی کرده و یک «تأمل» (Reflection) درباره اینکه چه چیزی درست یا غلط عمل کرده تولید میکند. این «تجربه» سپس به عنوان بخشی از دانش به پرامپت مدیر پرتفوی تزریق میشود.
برای مقابله با ماهیت غیرقطعی (Non-deterministic) مدلهای زبانی، تیمی از توسعهدهندگان یک قرارداد دسترسی به دادههای تأییدشده (Verified data-access contract) را پیاده کردند. این کار تضمین میکند که حتی اگر استدلال مدل در هر بار اجرا تغییر کند، هویت شرکت و سطوح قیمتی بر اساس یک snapshot دادهای تأییدشده باشند و توهم (Hallucination) — شبیه دوستی که خاطرهای را اشتباه تعریف میکند — در قیمتها رخ ندهد.
استقرار و استفاده
کاربران میتوانند سیستم را از طریق Docker یا محیط Python 3.12 مستقر کنند. این چارچوب هر بازاری که توسط Yahoo Finance پوشش داده شود را پشتیبانی میکند؛ از جمله سهام ایالات متحده (مانند AAPL)، بازار هنگکنگ (مانند 0700.HK) و ارزهای دیجیتال (مانند BTC-USD). برای کاربران سازمانی، ادغام با Azure OpenAI و AWS Bedrock فراهم شده است.
تحلیل: گذار به هوش مصنوعی تقابلی
مهمترین تغییر در اینجا، حرکت به سمت «استدلال تقابلی» (Adversarial Reasoning) است. با مجبور کردن یک عامل «صعودی» و یک عامل «نزولی» به مناظره، این چارچوب سوگیری تأییدی (Confirmation Bias) را که در مدلهای تکعامل ذاتی است، کاهش میدهد. این امر هوش مصنوعی را از یک ماشینحساب ساده به یک مشاور استراتژیک تبدیل میکند.
برای کاربر عملی، این بدان معناست که ارزش دیگر در «پرامپت» نیست، بلکه در «معماری» است. توانایی جایگزینی یک مدل «سریع» با یک مدل «عمیق» (مانند GPT-5.6)، به کاربران اجازه میدهد تا هزینه استنتاج (Inference Cost) را با عمق استدلال متوازن کنند.
این چارچوب ثابت میکند که در محیطهای حساس مانند امور مالی، هدف یافتن «باهوشترین» مدل نیست، بلکه ساخت «مستحکمترین» فرآیند است. اثر مرتبه دوم این تحول احتمالاً موجی از «حسابرسی چند-عاملی» (Multi-agent auditing) در سایر بخشهای حرفهای مانند حقوق و پزشکی خواهد بود.
برای بررسی بیشتر، میتوانید مخزن GitHub پروژه را کلون کرده و با استفاده از CLI ارائه شده، تحلیل نمادهای پرتفوی خود را تست کنید.
گام بعدی شما
- مخزن GitHub پروژه را کلون کرده و با استفاده از CLI، تحلیل یک نماد مورد علاقه خود را تست کنید.
- مدلهای مختلف (مثلاً GPT-5.6 در برابر DeepSeek) را در نقش تحلیلگر تکنیکال قرار دهید تا تفاوت دقت استنتاج را بسنجید.
- ساختار مناظره صعودی/نزولی را برای حوزههای غیرمالی (مثل تحلیل حقوقی) شخصیسازی کنید.
اما داستان سختافزاری این تحول حتی شگفتانگیزتر است — به تحلیل ما دربارهی تراشههای Blackwell مراجعه کنید.
گفتگو