TradingAgents : configurer la simulation multi-agents sans argent réel

Que signifie vraiment « laisser l'IA trader »

« Laisser l'IA trader pour vous » sonne comme de l'argent gratuit. En pratique, TradingAgents est une simulation multi-agents de trading : des LLM jouent des employés de fonds et produisent un récit de recherche + ordre fictif. Vous exécutez un workflow LangGraph, vous ne déposez pas d'argent dans un bot.

Pourquoi les débutants l'adorent :

• Drame : chercheur bull vs bear vs responsable risque — logs lisibles
• Éducation : voir comment les pros séparent analyse, risque et exécution
• Faibles enjeux : le chemin par défaut utilise des API de données historiques/marché et une exécution simulée — traitez les sorties comme de la fiction sauf stack production auditée

Ligne rouge : si un fork vous demande de télécharger un installateur .exe ou .dmg depuis un repo non officiel, arrêtez. Utilisez uniquement github.com/TauricResearch/TradingAgents.

Le desk de trading virtuel (simplifié)

APIs données marché ──► Agents analystes (fondamental, sentiment, technique, …) │ ▼ Débat Bull vs Bear (N tours) │ ▼ Agent trader (plan d'investissement) │ ▼ Débat comité de risque │ ▼ Gestionnaire portefeuille ──► ACHAT/CONSERVER/VENTE simulé

Run typique : ~12 appels LLM (plus si vous augmentez la profondeur du débat). Durée : 5–25 minutes selon modèle et latence API. RAM : ~2–5 Go pour Python + LangGraph — GPU optionnel si vous n'utilisez que des API cloud. Approfondissement : article TradingAgents (arXiv).

Règles mode sûr avant de lancer

Runbook débutant en 8 étapes

Étape 1 — Cloner le monorepo officiel

git clone https://github.com/TauricResearch/TradingAgents.git cd TradingAgents

Vérifier le remote :

git remote -v # origin https://github.com/TauricResearch/TradingAgents.git

Étape 2 — Environnement Python (3.11–3.13)

python3 -m venv .venv source .venv/bin/activate # Windows: .venv\Scripts\activate pip install --upgrade pip pip install .

Alternative Conda (README amont) :

conda create -n tradingagents python=3.13 -y conda activate tradingagents pip install .

Étape 3 — Clés API dans .env (jamais dans le chat)

cp .env.example .env

Minimum pour configs par défaut :

# LLM — choisissez UN fournisseur OPENAI_API_KEY=sk-... # ANTHROPIC_API_KEY=... # DEEPSEEK_API_KEY=... # Données marché (souvent Alpha Vantage) ALPHA_VANTAGE_API_KEY=your_key

Charger l'env :

set -a && source .env && set +a

Étape 4 — Lancer le CLI interactif

tradingagents # ou: python -m cli.main

Prompts attendus : ticker (commencez AAPL), date/horizon, fournisseur LLM, profondeur de recherche (moins de tours = moins cher).

Étape 5 — Première simulation « sans surveillance »

Sélectionnez profondeur shallow (1–2 tours de débat), modèle mid-tier (GPT-4o-mini ou Claude Sonnet) — pas le flagship le plus cher tant que les logs vous plaisent. Attendez la fin. Artefacts : transcripts de débat et recommandation finale type FINAL TRANSACTION PROPOSAL: HOLD.

Étape 6 — Lire le log comme une histoire, pas un ordre

Ouvrez le répertoire de run / export console. Vérifiez :

1. Les analystes citent-ils de vraies données ticker ou hallucinent-ils ?
2. Les agents risque objectent-ils vraiment ou tamponnent-ils ?
3. L'action finale correspond-elle à votre intuition ?

Si le cas bull cite des métriques absurdes, corrigez les clés API données avant de blâmer le modèle.

Étape 7 — Optionnel : Ollama pour inférence à 0 $ API

ollama pull qwen2.5:14b export OLLAMA_BASE_URL=http://127.0.0.1:11434/v1

Dans le CLI, choisissez Ollama. Budget 16 Go RAM sur Apple Silicon pour modèles 14B ; voir matrice mémoire M4.

Étape 8 — Planifier sur une machine toujours allumée (optionnel)

Les laptops s'endorment ; les longs débats meurent mid-graph. Un petit Mac toujours allumé (local ou distant) garde les checkpoints LangGraph. SSH, tmux, logs le matin — même pattern que OpenClaw sur M4 distant.

tmux new -s tradingagents tradingagents # Détacher: Ctrl-b d

Ce que vous obtenez : forme de sortie

Ce n'est pas un relevé bancaire. Injectez le JSON dans votre notebook backtest si vous voulez des statistiques — TradingAgents ne remplace pas la revue compliance.

Coût et « l'IA va-t-elle perdre mon argent ? »

Comparaison de plateformes : TradingAgents vs FinGPT 2026. Essaims sociaux « et si tout le monde faisait X ? » : setup MiroFish — complémentaire, pas interchangeable.

Dépannage

ModuleNotFoundError: tradingagents

Correctif : activez le venv et réinstallez depuis la racine :

source .venv/bin/activate && pip install -e .

CLI se ferme / liste d'outils vide

Correctif : confirmez que .env est chargé :

python -c "import os; print('OPENAI' in os.environ, 'ALPHA' in os.environ)"

Run bloqué après « Risk committee »

Correctif : rate limit fournisseur. Changez de modèle, réduisez les tours de débat, ou attendez 60 s. Vérifiez la page statut du fournisseur.

Fork GitHub suspect avec .exe Windows

Correctif : supprimez-le. Le projet officiel est Python source-only depuis TauricResearch/TradingAgents.

Parcours recommandé

Si X → Y : si vous n'avez pas lu le log bull/bear une fois, ne connectez pas de courtier live.

FAQ

TradingAgents est-il légal ?

Framework open source (Apache-2.0). Votre conformité dépend de la juridiction, des licences de données et du trading réel. Ce guide couvre la simulation de recherche uniquement.

Différence avec Robinhood ou un bot ?

Les apps courtage exécutent des ordres réglementés. TradingAgents orchestre des rôles LLM pour récits de recherche et décisions simulées — simulateur de desk, pas auto-trader certifié.

Mac obligatoire ?

Non. Linux ou Windows. Mac pratique pour stacks Python ; voir M4 distant si vous louez déjà chez KuzCloud.

Claude au lieu de GPT ?

Oui — plusieurs fournisseurs via .env et sélection CLI.

Quels tickers out of the box ?

Actions US liquides (AAPL, MSFT, SPY). Crypto en configs communautaires — lisez le README.