Comment faire débattre sept réseaux de neurones sur les cours : revue de TradingAgents-astock

Imaginez que vous avez rassemblé sept experts dans une même pièce : l'un observe les graphiques, un autre lit les actualités, un troisième explore les rapports financiers, et le quatrième est un spécialiste des politiques gouvernementales. Ils débattent jusqu'à en perdre la voix, évaluent les risques, et à la fin vous remettent un plan d'action prêt à l'emploi. C'est en substance le fonctionnement de TradingAgents-astock — une fourche du framework TradingAgents bien connu, réentraîné pour les spécificités du marché actions chinois.

Pourquoi une fourche pour la Chine

Le projet TradingAgents original a fait sensation dans les cercles financiers (65 000 étoiles sur GitHub en témoignent). Mais il présentait un défaut : il était « calibré » pour les réalités américaines. Il récupère les données de Yahoo Finance, se concentre sur l'indice S&P 500, et ne comprend absolument pas pourquoi une action peut se figer en raison des limites de variation de prix.

L'auteur de TradingAgents-astock a estimé que traduire simplement l'interface ne suffisait pas. Le marché chinois (actions A) fonctionne selon ses propres règles : des horaires de négociation différents, une règle T+1 en vigueur (acheté aujourd'hui — vendez uniquement demain), et surtout, la politique gouvernementale et les actions des acteurs majeurs — les « maîtres de l'argent » — jouent un rôle considérable.

Sept Analystes dans une Boîte

Dans ce projet, l'architecture repose sur LangGraph. Au lieu d'un seul agent essayant de saisir l'insaisissable, sept rôles spécialisés sont à l'œuvre.

Quatre d'entre eux ont été hérités de l'original mais adaptés :

• Market Analyst observe les chandeliers et les indicateurs techniques.
• Sentiment Analyst surveille les réseaux sociaux.
• News Analyst suit les titres médiatiques.
• Fundamental Analyst étudie les bilans et les flux de trésorerie.

Mais la partie la plus intéressante concerne les trois nouveaux rôles créés spécifiquement pour les « spécificités chinoises » :

1. Policy Analyst. En Chine, un seul mot d'un régulateur peut faire chuter un secteur entier ou l'envoyer vers les sommets. Cet agent recherche les signaux dans les directives gouvernementales.
2. « Hot Money » Tracker. Il surveille les actions des grands fonds privés et des spéculateurs (les appelés « Youzi »), qui déterminent souvent les tendances à court terme.
3. Share Unlock Monitoring. Lorsque les périodes de blocage des principaux actionnaires se terminent, le marché se prépare généralement à des turbulences. Cet agent suit ces dates.

Comment les Décisions sont Prises

Le processus ressemble au fonctionnement d'une véritable banque d'investissement. D'abord, les sept analystes rédigent leurs rapports. Ensuite, ces données sont transmises à deux chercheurs — « Bull » et « Bear ». Ils commencent à débattre, essayant de se prouver mutuellement si l'actif va monter ou descendre.

Après le débat, un gestionnaire des risques se joint au processus. Il soumet la stratégie à trois filtres : agressif, conservateur et neutre. Et c'est seulement à la toute fin que l'agent final (Portfolio Manager) rend son verdict : acheter, conserver ou vendre, et quelle taille de position allouer.

Il est intéressant de noter que l'auteur a séparé les modèles par complexité. Pour les tâches simples (analystes, débats), des LLM « rapides » sont utilisés, tandis que les modèles « profonds » comme MiniMax-2.7 ou Claude gèrent la synthèse finale et la prise de décision.

Stack Technique et Données

Le principal défi de tout projet fintech est d'obtenir des données. Habituellement, c'est soit coûteux, soit cela nécessite plusieurs clés API. Ici, l'auteur a implémenté des connexions directes aux sources ouvertes comme East Money, Sina Finance et Baidu. Et c'est fait intelligemment : il y a un mécanisme de délai et de limitation de débit intégré pour que les serveurs chinois ne vous bloquent pas après la première exécution.

Le projet ne nécessite pas Docker pour fonctionner, bien qu'il soit proposé en option. Juste Python 3.10 et pip install.

Vous aurez besoin de clés API de réseaux de neurones pour travailler. Le projet prend en charge presque tout : de DeepSeek et Qwen à OpenAI et Anthropic. Si vous êtes en Russie et utilisez un proxy pour accéder aux API étrangères, vous pouvez configurer backend_url dans la configuration.

Interface Web et Rapports

Pour ceux qui ne veulent pas se compliquer avec la console, il y a une belle interface utilisateur sur Streamlit. Vous entrez un code d'action (par exemple, 688017), sélectionnez une date, et le système commence à « réfléchir ».

L'ensemble du processus est transparent : vous pouvez développer chacun des rapports des sept analystes et lire pourquoi ils considèrent qu'une action particulière est prometteuse. Le rapport final peut être exporté en Markdown ou PDF — pratique si vous tenez un journal d'investissement.

Cela vaut-il la peine d'essayer

Si vous êtes passionné par le trading algorithmique ou simplement curieux d'appliquer les LLM en finance, le projet mérite définitivement d'être cloné et exploré. Même si vous ne négociez pas sur le marché chinois, l'architecture de débat multi-agents est implémentée de manière très claire ici.

Cependant, n'oubliez pas l'avertissement : c'est un outil de recherche. L'IA peut commettre des erreurs, avoir des hallucinations ou mal interpréter l'ironie sur les réseaux sociaux. L'utiliser comme seul conseiller pour de l'argent réel est une entreprise risquée. Mais en tant qu'assistant qui rassemble en 5 minutes des informations qu'il faudrait à une personne une demi-journée pour compiler, TradingAgents-astock fonctionne très bien.

Le projet est activement mis à jour, l'auteur corrige rapidement les bugs d'encodage de police dans les PDF et ajoute la prise en charge de nouveaux modèles. Si vous cherchiez un exemple de la façon dont LangGraph peut résoudre des tâches analytiques complexes dans le monde réel — le voici.