Como fazer sete redes neurais discutirem sobre cotações: revisão do TradingAgents-astock
Imagine que você reuniu sete especialistas em uma sala: um observa gráficos, outro lê notícias, um terceiro analisa relatórios de empresas, e o quarto é um especialista em políticas governamentais. Eles discutem até ficar roucos, avaliam riscos, e no final entregam um plano de ação pronto. É basicamente assim que o TradingAgents-astock funciona — um fork do conhecido framework TradingAgents, retreinado para as especificidades do mercado de ações chinês.
Por que um Fork Específico para a China
O projeto original TradingAgents fez bastante sucesso nos círculos financeiros (65.000 estrelas no GitHub falam por si). Mas tinha um problema: estava "ajustado" para as realidades americanas. Ele busca dados do Yahoo Finance, foca no índice S&P 500, e não entende por que uma ação pode congelar no lugar devido aos limites de variação de preço.
O autor do TradingAgents-astock decidiu que simplesmente traduzir a interface não era suficiente. O mercado chinês (A-shares) opera por suas próprias regras: sessões de negociação diferentes, uma regra T+1 em vigor (comprou hoje — só pode vender amanhã), e o mais importante, políticas governamentais e ações dos grandes jogadores — os "mestres do dinheiro" — desempenham um papel enorme.
Sete Analistas em Uma Caixa
Neste projeto, a arquitetura é construída sobre o LangGraph. Em vez de um único agente tentando compreender o incompreensível, existem sete papéis especializados em ação.
Quatro deles foram herdados do original, mas adaptados:
- Market Analyst observa K-lines e indicadores técnicos.
- Sentiment Analyst monitora redes sociais.
- News Analyst acompanha manchetes da mídia.
- Fundamental Analyst estuda balanços e fluxo de caixa.
Mas a parte mais interessante são os três novos personagens criados especificamente para os "especificidades chinesas":
- Policy Analyst. Na China, uma palavra de um regulador pode derrubar um setor inteiro ou fazê-lo disparar. Este agente busca sinais em diretivas governamentais.
- "Hot Money" Tracker. Monitora as ações de grandes fundos privados e especuladores (os chamados "Youzi"), que frequentemente definem tendências de curto prazo.
- Share Unlock Monitoring. Quando os períodos de lock-up dos principais acionistas terminam, o mercado geralmente se prepara para turbulências. Este agente rastreia essas datas.
Como as Decisões São Tomadas
O processo se assemelha ao trabalho de um verdadeiro banco de investimento. Primeiro, todos os sete analistas escrevem seus relatórios. Então esses dados vão para dois pesquisadores — "Bull" e "Bear." Eles começam a debater, tentando provar um ao outro se o ativo vai subir ou cair.
Após o debate, um gestor de riscos entra em ação. Eles passam a estratégia por três filtros: agressivo, conservador e neutro. E só no final o agente final (Portfolio Manager) entrega o veredito: comprar, manter ou vender, e qual tamanho de posição alocar.
Curiosamente, o autor separou os modelos por complexidade. Para tarefas simples (analistas, debates), são usadas LLMs "rápidas", enquanto modelos "profundos" como MiniMax-2.7 ou Claude lidam com a síntese final e a tomada de decisão.
Stack Técnica e Dados
O ponto crítico de qualquer projeto fintech é de onde obter dados. Geralmente, é caro ou exige um monte de chaves de API. Aqui, o autor implementou conexões diretas com fontes abertas como East Money, Sina Finance e Baidu. E foi feito de forma inteligente: existe um mecanismo de delay e rate-limit embutido para que os servidores chineses não te bannem após a primeira execução.
O projeto não requer Docker para rodar, embora seja fornecido como opção. Apenas Python 3.10 normal e pip install.
Você precisará de chaves de API de redes neurais para trabalhar. O projeto suporta quase tudo: de DeepSeek e Qwen até OpenAI e Anthropic. Se você estiver na Rússia e usando um proxy para acessar APIs estrangeiras, pode configurar backend_url no config.
Interface Web e Relatórios
Para quem não quer se incomodar com o console, existe uma interface bonita em Streamlit. Você insere um código de ação (por exemplo, 688017), seleciona uma data, e o sistema começa a "pensar".
Todo o processo é transparente: você pode expandir cada um dos relatórios dos sete analistas e ler por que eles consideram uma ação específica promissora. O relatório final pode ser exportado em Markdown ou PDF — conveniente se você mantém um diário de investimentos.
Vale a Pena Experimentar
Se você se interessa por trading algorítmico ou apenas quer saber como aplicar LLMs em finanças, o projeto definitivamente merece ser clonado e explorado. Mesmo que você não negocie no mercado chinês, a arquitetura de debate multi-agente é implementada de forma muito clara aqui.
No entanto, não esqueça do aviso legal: esta é uma ferramenta de pesquisa. A IA pode cometer erros, ter alucinações ou interpretar erroneamente ironia em redes sociais. Usá-la como único consultor para dinheiro real é uma empreitada arriscada. Mas como um assistente que reúne em 5 minutos informações que levariam meio dia para uma pessoa compilar, o TradingAgents-astock funciona muito bem.
O projeto é atualizado ativamente, o autor corrige rapidamente bugs de codificação de fontes em PDF e adiciona suporte para novos modelos. Se você estava faltando um exemplo de como LangGraph pode resolver tarefas analíticas complexas no mundo real — aqui está ele.
Projetos relacionados