なぜ「AIマルチエージェント」で金融分析するのか
「AIに株を分析させる」という発想自体は昔からありますが、単一のLLMに「この株、買うべき？」と聞くだけでは精度に限界があります。人間のトレーディングファームが複数のアナリストを抱えてそれぞれの専門領域で分析を分担するように、LLMにも役割分担させたほうが出力の質が上がる——そのアイデアを実装したのが TradingAgents です。
GitHubで59,000スターを超え、研究者・エンジニアの間で急速に注目を集めているこのフレームワーク。「AIが勝手に儲けてくれる」ツールではなく、金融分析の自動化プロセスをコードで学べる研究・学習向けプロジェクトです。エンジニアとして「LLMエージェントをどう組み合わせるか」を手を動かしながら理解するのに、これ以上の題材はなかなかありません。
マルチエージェント設計に興味があるなら、OpenAI Agents SDKでマルチエージェント構築の記事も合わせて読むと、アーキテクチャの全体像がつかみやすいです。
TradingAgentsのアーキテクチャ：トレーディングファームをコードで再現
TradingAgentsの最大の特徴は、実際のトレーディングファームの組織構造をそのままマルチエージェントで模倣している点です。以下がエージェント構成の全体像です。
┌─────────────────────────────────────────────────────┐
│ TradingAgents │
│ │
│ ① アナリストチーム │
│ ├── ファンダメンタルズアナリスト（財務・業績分析） │
│ ├── センチメントアナリスト（SNS・世論の感情分析） │
│ ├── ニュースアナリスト（マクロ経済・報道の監視） │
│ └── テクニカルアナリスト（MACD・RSIなどの指標） │
│ ↓ 各アナリストがレポートを作成 │
│ ② リサーチャーチーム │
│ ├── 強気側リサーチャー（買い材料を議論） │
│ └── 弱気側リサーチャー（リスクを議論） │
│ ↓ 利益・リスクのバランスを評価 │
│ ③ トレーダーエージェント │
│ （全レポートを統合して取引判断） │
│ ↓ │
│ ④ リスク管理 & ポートフォリオマネージャー │
│ ├── リスクマネージャー（ボラティリティ・流動性評価） │
│ └── ポートフォリオマネージャー（最終承認/拒否） │
└─────────────────────────────────────────────────────┘
それぞれのエージェントが独立してLLMを呼び出し、専門的な視点からレポートを生成します。リサーチャーチームが「強気派 vs. 弱気派」で議論するフェーズは特に面白く、単一モデルでは出にくいバランスの取れた視点が得られます。最後にポートフォリオマネージャーが最終判断を下す、という階層構造は非常に実用的な設計パターンです。
類似のセルフホスト型エージェント設計に興味があれば、DeerFlowのセルフホストも参考になります。
対応LLMとセットアップ手順
対応しているLLM
TradingAgentsは特定のLLMに縛られず、以下の主要プロバイダーに対応しています。
- OpenAI: GPT-5.x系
- Google: Gemini 3.x系
- Anthropic: Claude 4.x系（claude-sonnet-4-6など）
- xAI: Grok 4.x系
- DeepSeek / Qwen / GLM（ローカル・APIどちらも）
用途やコストに合わせてモデルを切り替えられるのは、エンジニアとして非常にありがたい設計です。
インストール手順（ローカル環境）
# リポジトリをクローン
git clone https://github.com/TauricResearch/TradingAgents.git
cd TradingAgents
# Python 3.13の仮想環境を作成
conda create -n tradingagents python=3.13
conda activate tradingagents
# パッケージをインストール
pip install .
Docker で起動する場合
ローカル環境を汚したくない場合はDockerが便利です。
# .envファイルを作成してAPIキーを設定
cp .env.example .env
# .envを編集してOPENAI_API_KEYなどを記入
# コンテナを起動
docker compose run --rm tradingagents
.envファイルに使用するLLMのAPIキーを記入するだけで動き出します。DockerのほうがPythonバージョン依存の問題が起きにくいので、まず試すならこちらがおすすめです。
バックテストとデモ実行の使い方
TradingAgentsにはバックテスト機能が搭載されており、過去のデータを使って分析パイプラインの動作を確認できます。
基本的なデモ実行
from tradingagents.graph.trading_graph import TradingAgentsGraph
from tradingagents.default_config import DEFAULT_CONFIG
# 設定を読み込み（使用LLMなどを指定）
ta = TradingAgentsGraph(debug=True, config=DEFAULT_CONFIG)
# ティッカーと日付を指定して分析を実行
_, decision = ta.propagate("NVDA", "2024-05-10")
print(decision)
propagate()に銘柄ティッカーと分析日付を渡すだけで、全エージェントが順に動き出します。debug=Trueにすると各エージェントの中間出力も確認でき、学習目的には最適です。
LangGraphチェックポイントで途中再開
v0.2.4以降ではLangGraphのチェックポイント機能に対応しており、長時間の分析が途中で止まっても前回の途中から再開できます。また永続的な意思決定ログも記録されるため、各エージェントがどんな判断をしたか後から追跡できます。
バックテストを活用した検証
過去の複数日付にわたってバックテストを実行し、エージェントの判断傾向を把握することができます。ただし、バックテストの結果が将来の利益を保証するものでは一切ありません。あくまで「このパイプラインがどう動くか」を理解するための検証ツールとして使ってください。
24時間稼働させるならVPSが現実的
TradingAgentsをローカルPCで動かすのは検証には十分ですが、継続的に分析を走らせたいならVPS上に常駐させる構成が現実的です。
Dockerに対応しているため、VPSにDockerをインストールしてdocker compose up -dするだけで常時稼働環境が作れます。コストを抑えつつLinux環境が使えるVPSとして、ConoHa VPS（月額最安クラスのVPS）はエントリープランから使えておすすめです。メモリ1〜2GBプランでも軽量な分析であれば動作します。
VPS上のサービス管理・自動化については、n8nのセルフホスト手順の記事で解説している構成が参考になります。
注意事項：これは研究・学習フレームワークです
TradingAgentsを紹介するうえで、最も強調しておきたいのがこの点です。
TradingAgentsは研究・学習を目的としたフレームワークであり、投資助言ツールではありません。
- 実際の株式・FX・仮想通貨などへの取引への利用は完全に自己責任です
- バックテスト結果は過去データに基づくものであり、将来の利益を一切保証しません
- 「AIが自動で株を買ってくれる」ものではなく、分析パイプラインの研究ツールです
- 実際の資金を運用する場合は、必ず金融の専門家への相談と法的要件の確認を行ってください
このフレームワークの本当の価値は「マルチエージェント設計をリアルなユースケースで学べる」点にあります。コードを読むだけでも、エージェント間の情報の流れやLangGraphの使い方について多くの知見が得られます。副業に使えるOSSツールとして技術力を高めるための素材として活用するのが、最もおすすめの使い方です。
まとめ
TradingAgentsは「LLMマルチエージェントをどう設計するか」を学ぶ教材として、現時点でトップクラスの完成度を持つOSSプロジェクトです。
- アナリスト→リサーチャー→トレーダー→リスク管理という階層設計はそのままビジネス応用できる汎用パターン
- GPT・Claude・Gemini・DeepSeekなど主要LLMをすぐに差し替えられる柔軟な設計
- LangGraphチェックポイントや永続ログなど、実運用を意識したv0.2.4の機能強化
- Dockerでの簡単セットアップで、すぐに手を動かして試せる
繰り返しになりますが、このフレームワークは学習・研究目的のものです。実際の投資判断に使うのではなく、「マルチエージェントがどう協調するか」「LLMに役割分担させると何が変わるか」をコードで体感する場として使うのが一番の活用法です。AIエージェント設計に関心があるエンジニアにとって、手を動かす価値が高いリポジトリです。
よくある質問（FAQ）
Q. 無料で使えますか？
A. TradingAgentsのコード自体はMITライセンスの無料OSSです。ただし分析にはOpenAIやAnthropicなどのAPIキーが必要で、API呼び出し費用は別途かかります。DeepSeekなどコストの低いモデルも使えるので、費用を抑えた検証も可能です。
Q. Python 3.13以外では動きませんか？
A. 公式推奨はPython 3.13ですが、3.11・3.12でも動作報告があります。Dockerを使えばバージョン依存の問題を回避できます。
Q. 実際の株取引に連携できますか？
A. フレームワーク自体にブローカーAPIとの直接連携機能は含まれていません。研究・学習目的の設計であり、実取引への利用は推奨されていません。
Q. どのLLMが分析精度が高いですか？
A. モデルによって出力の傾向は異なります。GPT-5系やClaude 4系は構造化出力の精度が高く、Portfolio Managerなどの判断エージェントに向いています。ただし「精度が高い＝利益が出る」ではないことに注意してください。
Q. Windows環境でも動きますか？
A. Dockerを使えばWindowsでも動作します。ネイティブのconda環境でも基本的には動作しますが、パス区切り文字などの問題が出る場合はWSL2の利用を推奨します。
コメント