TradingAgents: una mesa de trading simulada con agentes que debaten

Hallazgos IA y agentes 14 sept 2026

Categoría de recurso: IA

Publicado por Tauric Research con licencia Apache-2.0, acompañado de un paper en arXiv.

TradingAgents reparte una decisión de inversión entre varios agentes con roles distintos, imitando cómo se organiza una mesa real. Es un marco de investigación: lo que se estudia es la coordinación entre agentes, no una estrategia lista para operar.

Los roles

Equipo	Qué hace
Analista fundamental	Lee métricas financieras del activo
Analista de sentimiento	Agrega noticias, StockTwits y Reddit
Analista de noticias	Sigue indicadores macroeconómicos
Analista técnico	Trabaja con indicadores (MACD, RSI y similares)
Investigadores	Uno alcista y uno bajista debaten los informes anteriores
Trader	Sintetiza el debate y propone la operación
Riesgo y cartera	Evalúa exposición y aprueba o rechaza la propuesta

La pieza que distingue al proyecto es el debate: forzar una postura alcista y otra bajista sobre los mismos datos es un mecanismo explícito contra la respuesta complaciente de un solo agente.

Puesta en marcha

git clone https://github.com/TauricResearch/TradingAgents.git
cd TradingAgents
conda create -n tradingagents python=3.12
conda activate tradingagents
pip install .

O con contenedores:

docker compose run --rm tradingagents

Proveedores

Modelos: OpenAI, Google Gemini, Anthropic Claude, xAI Grok, DeepSeek, Qwen, GLM, MiniMax, OpenRouter, Ollama, Azure OpenAI, AWS Bedrock y cualquier endpoint compatible con OpenAI.

Datos: Alpha Vantage (precios e indicadores), Yahoo Finance, FRED (macro), fuentes de noticias y sentimiento, y Polymarket.

Cada proveedor exige su propia clave y tiene sus límites de cuota. El coste crece rápido: una corrida completa encadena varios agentes, y el debate multiplica las llamadas por ronda. Empieza con un solo activo y un modelo barato para medir gasto antes de ampliar.

Cómo leerlo

Revisa los informes intermedios, no solo la decisión final: ahí se ve si el análisis se sostiene o si el agente rellenó huecos.
Fija temperatura y versión del modelo si quieres comparar corridas; con muestreo distinto, dos ejecuciones no son comparables.
Registra qué datos vio cada agente. Un sentimiento de Reddit desactualizado explica más resultados raros que el propio modelo.

Advertencias del propio proyecto

El repositorio es explícito: no es asesoramiento financiero, de inversión ni de trading. El rendimiento varía según modelo, temperatura, calidad de los datos y el muestreo inherente al LLM, y los resultados de backtest no tienen por qué reproducir las cifras publicadas.

A eso hay que sumar lo de siempre con datos de mercado: un backtest que usa noticias o precios que en su momento no estaban disponibles filtra información futura y produce resultados que no existen en vivo.