LLMQUANT005: awesome-trading-agents 作为交易 Agent 生态雷达

这是 PENGYI_LLMQUANT_STUDYMAP 的第六篇。

LLMQUANT005 -> awesome-trading-agents

前面几篇已经拆了 LLMQuant 里的几个系统层：

LLMQUANT001 = data-mcp as evidence access layer
LLMQUANT002 = skills as finance workflow routing layer
LLMQUANT003 = quant-mind as financial knowledge structuring layer
LLMQUANT004 = Magents as strategy execution and simulation layer

这一篇看 awesome-trading-agents。

我的一句话结论：

awesome-trading-agents = trading agent ecosystem radar

它不是一个执行框架。 它不是一个回测引擎。 它也不是一个 MCP server。

它是一张地图：

Agents
MCPs
Skills
Resources

更准确地说，它是在回答：

现在 AI-native trading agent 生态里，到底有哪些项目？
它们分别解决哪一层问题？
我们应该先学谁？
我们可以跟谁对标？
我们可以给谁提 PR？
我们自己的 Research OS 缺哪一块？

这对我非常重要。

因为我们不是只想做一个孤立项目。 我们要进入一个生态。 进入生态意味着：

知道主流项目
知道分类边界
知道质量标准
知道贡献规则
知道下一步应该跟谁对齐

Project snapshot

我本地看的项目是：

LLMQUANT/awesome-trading-agents

项目结构非常轻：

README.md
README.zh-CN.md
CONTRIBUTING.md
CONTRIBUTING.zh-CN.md
LICENSE
assets/
.github/

它没有源码目录。

这说明它的核心资产不是 code runtime，而是：

curated knowledge
taxonomy
entry descriptions
quality bar
contribution workflow
bilingual presentation

本地 README 统计：

Item	Count
sub-categories	19
listed entries	114
GitHub links	120
arXiv links	6

这是一份相当大的 LLM trading agent 生态索引。

Scope

README 说得很清楚：

Awesome Trading Agents collects open-source projects where LLMs help research markets,
make trading decisions, or connect agents to market data and execution tools.

也就是说，它收录的是 post-LLM 时代的 agentic trading stack。

它主动不覆盖：

classic quant libraries
time-series models
reinforcement-learning trading bots
generic finance AI lists

这点很重要。

因为很多 “awesome finance” 清单会混在一起：

传统量化库
深度学习预测
RL trading
金融 NLP
agent trading
券商 API

awesome-trading-agents 把边界收窄到：

LLM-driven agents
MCP servers
Agent Skills
directly relevant papers and learning resources

这个边界对我们有启发。

做一个好系统，先要知道自己不做什么。

Three pillars

它的三大支柱是：

Agents
MCPs
Skills

我会这样理解：

Pillar	Role
Agents	决策主体，负责研究、推理、组合决策、交易行为
MCPs	工具接口，负责数据、券商、交易所、研究工具、回测平台
Skills	工作流说明，负责把任务变成可复用 procedure

这和我们前面几篇高度对应：

Agents -> R&D Agent / Trading Agent / PM Agent
MCPs -> data-mcp and broker/exchange connectors
Skills -> workflow routing and repeatable task contracts

也就是说：

awesome-trading-agents 是生态地图
data-mcp / skills / quant-mind / Magents 是其中某些系统层的具体实现

Category distribution

本地 README 里，各子类条目数量如下：

Category	Entries
Agents > Multi-agent trading systems	26
Agents > Single-agent end-to-end traders	8
Agents > Research / equity-research copilots	6
Agents > Real-money / competition experiments	5
Agents > Prediction-market specialists	3
Agents > Benchmarks & evaluations	4
Agents > Strategy coding / self-improving agents	2
MCPs > Market data / data providers	16
MCPs > Brokerage / exchange trading	9
MCPs > Research tools / analysis	5
MCPs > TradingView bridge	1
MCPs > Prediction markets	2
MCPs > Strategy / backtesting platforms	1
Skills > Equity research	5
Skills > Crypto / DeFi / on-chain	2
Skills > Strategy coding & backtesting	1
Skills > Brokerage execution & portfolio	2
Resources > Papers	4
Resources > Learn	2

这个分布很有意思。

最大的类是：

Agents > Multi-agent trading systems

这说明当前 trading agent 生态的主流方向，还是在探索：

analyst team
debate
trader
risk manager
portfolio manager
multi-agent decision process

第二大块是：

MCPs > Market data / data providers

这也很合理。

因为交易 agent 最大的现实瓶颈之一就是：

data access
data freshness
data scope
tool calling
broker/exchange integration

没有数据和工具，agent 只是聊天。

First-read picks

README 里直接给了 “If you only read three”。

它推荐三组：

Agents:
  TauricResearch/TradingAgents
  virattt/ai-hedge-fund
  HKUDS/AI-Trader

MCPs:
  alpacahq/alpaca-mcp-server
  krakenfx/kraken-cli
  financial-datasets/mcp-server

Skills:
  tradermonty/claude-trading-skills
  himself65/finance-skills
  RKiding/Awesome-finance-skills

这个推荐很实用。

它不是随机挑项目。

这九个项目覆盖了三条主线：

1. trading decision system
2. data / execution tool interface
3. repeatable trading workflow

对我来说，最值得优先看的顺序是：

TradingAgents
AI-Trader
ai-hedge-fund
alpacahq/alpaca-mcp-server
financial-datasets/mcp-server
claude-trading-skills

原因是：

TradingAgents -> multi-agent decision architecture
AI-Trader -> agent-native live trading platform idea
ai-hedge-fund -> LLM analyst personas and PM decision loop
Alpaca MCP -> broker + paper/live trading interface
Financial Datasets MCP -> financial data interface
Claude trading skills -> repeatable task procedures

这和我们自己的 Research OS 直接相关。

Agents pillar

Agents 是最核心的一栏。

README 对 Agents 的定义是：

projects where an LLM is part of the actual research or trading decision

这句话很关键。

它排除了只把 LLM 当作：

post-hoc explainer
UI assistant
generic chatbot

真正收录的是：

LLM participates in market research
LLM participates in trading decision
LLM participates in strategy generation
LLM participates in evaluation

Agents 下面又分成七类。

Multi-agent trading systems

这一类最大。

代表项目包括：

TradingAgents
TradingAgents-CN
TradingAgents-AShare
AI-Trader
Vibe-Trading
FinRobot
QuantDinger
AutoHedge
LangAlpha
CryptoTradingAgents
AlpacaTradingAgent
oracle3
AutoGen financial analysis

这一类的共同问题是：

一个 trading decision 是否应该由多个 agent 分工完成？

典型结构是：

fundamental analyst
technical analyst
news analyst
sentiment analyst
bull researcher
bear researcher
trader
risk manager
portfolio manager

这和我们前面看 Magents 的 pod/agent 结构相似。

区别在于：

TradingAgents-like projects 更偏 decision debate
Magents 更偏 execution simulation

两者可以合并：

multi-agent research team
  -> SignalEvent
  -> Magents execution pod
  -> backtest / portfolio / risk

Single-agent end-to-end traders

这一类包括：

virattt/ai-hedge-fund
OpenAlice
atlas-gic
Hyperliquid AI trading agents
Gemini crypto trading agent
CloddsBot
minimal TypeScript trading agent demos

它们的核心问题是：

一个 agent 能不能从 research 到 entry/hold/exit 走完全流程？

这类项目的优点：

系统简单
决策链短
容易 demo
容易连接实盘 API

缺点：

容易缺少专业分工
难以审计每个子观点
风险和组合层容易混在一个 prompt 里

对我来说，single-agent 项目适合学习：

end-to-end UX
broker/exchange integration
minimal viable trading loop

但我们的 Research OS 长期更可能走：

multi-agent research
typed workflow
human PM review
event-driven execution

Research copilots

这一类包括：

daily_stock_analysis
alpha-arena
PanWatch
WyckoffTradingAgent
DeepEar
finance-agent

它们不一定直接交易。

更多是：

monitor
screen
research
Q&A
report
signal tracking

这对我也很重要。

因为我们不应该一开始就强行实盘。

一个现实路径是：

research copilot
  -> paper trading
  -> backtest lab
  -> PM review
  -> limited execution

先做高质量 research copilot，反而更稳。

Real-money / competition experiments

这一类很关键。

包括：

LLM-Trading-Lab
nof1.ai
alpha-arena-okx
OpenNof1
LLM-trader-test

它们的价值在于：

forward-only
live or quasi-live
真实市场条件
真实风险约束
可评估 agent 行为

这比历史回测更接近未来。

对我们而言，它提醒了一个问题：

backtest evidence is not enough

最终要有：

paper trading
live benchmark
out-of-sample protocol
decision log
audit trail

Prediction-market specialists

这一类包括：

Kalshi
Polymarket
multi-venue prediction-market arbitrage

这类项目特别适合 agent。

原因是 prediction market 的任务天然包含：

event research
probability estimation
order book comparison
Kelly sizing
position management
resolution risk

LLM 擅长事件研究。 但概率校准和风控必须严肃处理。

这对我们未来做非股票资产研究也有启发。

Benchmarks and evaluations

代表项目：

live-trade-bench
AgenticTrading
finance-agent benchmark
DeepFund

这类项目很重要。

因为 agent trading 不能只靠 demo。

需要：

benchmark
leaderboard
standard task
live evaluation
reproducible protocol

如果我们未来冲顶会，这一类很值得研究。

顶会不只是做一个交易 agent。 更强的方向可能是：

new evaluation protocol for agentic financial research
live/forward benchmark
agent decision audit dataset
research-to-backtest reproducibility benchmark

Strategy coding / self-improving agents

这一类目前条目少，但对我最接近 R&D Agent。

代表项目：

pwb-alphaevolve
Miasyster/QuantGPT

这里的核心问题是：

LLM 能不能自动写策略、改策略、跑回测、迭代？

这和我们的目标完全一致：

自动提出因子假设
自动实现
自动回测
自动诊断偏差
自动生成下一轮研究计划

所以虽然这一类只有 2 个条目，但它是我最应该长期关注的一类。

MCPs pillar

MCPs 是工具层。

README 的定义是：

servers that let an agent call external tools through the Model Context Protocol

它覆盖：

market data
brokerage
exchange trading
research tools
TradingView bridge
prediction markets
backtesting platforms

这正好对应我们前面看 data-mcp 的意义：

agent needs tools, not just text context

Market data / data providers

这一类有 16 个条目，是 MCP 里最大的一组。

代表项目：

LLMQuant/data-mcp
financial-datasets/mcp-server
opennews-mcp
FinanceMCP
akshare MCPs
Yahoo Finance MCPs
SEC EDGAR MCP
FMP MCP
Octagon MCP
Equibles

这类 MCP 解决：

prices
fundamentals
news
filings
macro
13F
crypto
regional markets

对我们来说，数据 MCP 是 Research OS 的地基。

没有稳定数据工具，就没有：

evidence retrieval
factor implementation
backtest
live monitoring

Brokerage / exchange trading

代表项目：

Alpaca MCP
Kraken CLI
Korea Investment Open Trading API
OKX agent trade kit
MetaTrader MCP
IBKR MCP
QuantConnect MCP

这一层解决：

paper trading
live trading
exchange data
broker actions
order placement
portfolio access

这是从 research 到 execution 的门。

但这也是最需要风控和审批的层。

我自己的原则是：

先 research and paper trading
再 constrained execution
最后才 live trading

Research tools / analysis

代表项目：

maverick-mcp
tradememory-protocol
TradingAgents-MCPmode
AI-Kline
stock-scanner-mcp

这类特别像 Research OS 的插件。

其中 tradememory-protocol 这种项目很值得关注。

因为它在做：

decision rationale
outcomes
review evidence
trade memory

这和我们自己的 experiment ledger 非常接近。

Strategy / backtesting platforms

这里目前只有一个代表：

whchien/ai-trader

但这个类对我们很重要。

未来我觉得这里会扩展。

因为 trading agent 生态必然需要：

backtest as a tool
strategy evaluation as a tool
simulation as a tool
portfolio analysis as a tool

这也说明 Magents 如果未来暴露 MCP，会非常自然。

Skills pillar

Skills 是第三根支柱。

README 里说：

Skills are reusable instructions and workflows for Claude Code or other agent systems.

它们的作用是：

让 agent 稳定重复完成一个金融任务

比如：

research a stock
check options
backtest a strategy
manage a portfolio
execute with broker tools

这一栏和 LLMQUANT002 对应。

skills 不是普通 prompt。 它是 workflow contract。

Equity research skills

代表项目：

claude-trading-skills
finance-skills
finance_skills
claude-equity-research
Awesome-finance-skills

它们覆盖：

market analysis
breadth
regime
screening
options
valuation
earnings review
ETF checks
liquidity
geopolitical risk
buy/sell/hold report

这对我们公开网站的学习内容也很有帮助。

我们可以把自己的研究流程逐渐沉淀为：

Pengyi factor research skill
Pengyi paper-to-factor skill
Pengyi quant interview prep skill
Pengyi PM review skill

Strategy coding and backtesting skills

目前代表是：

vectorbt-backtesting-skills

这和我们 R&D Agent 特别贴近。

因为我们最终要把：

factor idea

变成：

implementation
backtest
optimization
quick stats
strategy comparison

Skill 的意义是让这个过程可重复。

Brokerage execution and portfolio skills

代表项目：

trading_skills
finlab-ai

它们连接：

options
market data
portfolio work
IBKR
Alpaca
FinLab data
Taiwan equity strategy discovery

这一类适合学习“从研究到实际组合管理”的工作流边界。

Resources

Resources 目前分为：

Papers
Learn

Papers 里收录的是直接解释项目的论文，而不是泛泛的金融 LLM 论文。

包括：

TradingAgents paper
LLM-Trading-Lab paper/repo
FinRobot paper
DeepFund paper

Learn 目前很短：

Tauric Research GitHub Org
AI4Finance Foundation GitHub Org

这很克制。

它没有把泛教程全部塞进去，而是保留和 trading agent stack 直接相关的学习入口。

这也是 curated list 应该有的纪律。

Curation quality bar

贡献指南里定义了质量标准。

新条目一般要满足：

open source or public technical artifact
demonstrably LLM-driven
active in last 12 months or canonical
clear scope and minimal documentation
distinct contribution
public credibility signal, normally >=100 GitHub stars

这个质量标准非常值得我们学习。

因为它不是“看到一个项目就收录”。

它要求：

技术上属于这个生态
有公开可信度
近期可用
和已有条目不重复
读者能快速判断它做什么

这对我以后提 PR 也很关键。

不能为了提 PR 而提 PR。

正确路径是：

真实使用项目
发现缺失或错误
确认 fit and quality bar
提交 issue 或 PR
中英文同步
解释分类和区别

Contribution workflow

这个 repo 的贡献流程很成熟。

新增条目需要：

Repo URL
Pillar + sub-category
Proposed entry bullet
GitHub stars
Last commit or activity date
Quality-bar self-evaluation
Pairing annotation
Curation notes

PR 模板还要求：

README.md and README.zh-CN.md structural sync
awesome-lint advisory check
Conventional Commit PR title

CI 包括：

link-check with lychee
PR title semantic check

这个设计对我们有两个启发。

第一，awesome list 也可以是工程项目。

它需要：

taxonomy
quality bar
templates
CI
bilingual sync
link rot maintenance

第二，如果我们以后做自己的 curated research list，也应该有类似规则。

比如：

Pengyi Quant Research OS papers
Pengyi AI scientist tools
Pengyi factor research resources
Pengyi top conference target map

这些都不应该是随便堆链接。 它们应该是可维护的知识资产。

Relationship with previous LLMQuant projects

现在把 001 到 005 串起来。

data-mcp
  = evidence access layer

skills
  = finance workflow routing layer

quant-mind
  = financial knowledge structuring layer

Magents
  = strategy execution and simulation layer

awesome-trading-agents
  = ecosystem radar

它们的关系是：

awesome-trading-agents tells us what exists
data-mcp gives us evidence access
skills gives us workflow contracts
quant-mind gives us structured research memory
Magents gives us simulation and execution architecture

组合起来就是：

ecosystem map
  -> choose project / pattern
  -> retrieve evidence
  -> structure knowledge
  -> route workflow
  -> run strategy simulation
  -> record experiment
  -> contribute back to ecosystem

这对我们非常关键。

因为我们不是闭门造系统。 我们是在对齐生态主线。

What this means for Pengyi Research OS

awesome-trading-agents 给我的最大启发是：

我们的 Research OS 必须有生态视角。

不能只看自己的代码。

我们要知道：

谁在做 multi-agent trading
谁在做 live benchmark
谁在做 MCP data
谁在做 broker execution
谁在做 skill workflow
谁在做 strategy coding agent
谁在做 trading memory
谁在做 evaluation benchmark

然后把这些映射到自己的系统层：

Ecosystem layer	Pengyi layer
Multi-agent trading systems	R&D Agent + PM review
Research copilots	Research OS UI and notes
Real-money experiments	paper trading / live audit
Benchmarks	top-conference evaluation protocol
Strategy coding agents	factor implementation loop
Market data MCPs	evidence and data access
Broker MCPs	future constrained execution
Skills	repeatable research workflows
Trading memory	experiment ledger

这张映射图会帮助我们避免走偏。

How we should use the list

我不会把它当成收藏夹。

我会按四种方式使用。

1. 学习路线

先按系统层学习：

TradingAgents -> multi-agent decision
AI-Trader -> agent-native platform
ai-hedge-fund -> analyst persona + portfolio manager
data-mcp / financial-datasets -> market data MCP
Alpaca / Kraken / OKX -> execution MCP
claude-trading-skills -> repeatable workflow
live-trade-bench / DeepFund -> evaluation
QuantGPT / pwb-alphaevolve -> strategy coding loop

2. Project comparison

每看一个项目，就问：

它是 agent, MCP, skill, benchmark, or platform?
它解决 research, data, execution, risk, or evaluation?
它有没有可复用架构？
它和我们的 Research OS 哪一层对应？

3. PR opportunity map

我们以后可以提 PR 的方向：

add missing high-quality entries
fix stale links
improve bilingual descriptions
add pairing notes
move misclassified entries
add new benchmark/resource entries
clarify project lineage

但前提是：

真实使用
真实发现
小而准确
符合贡献规则

4. Research opportunity map

这份清单也能启发论文方向。

可能的 research questions：

How should trading agents be evaluated live?
How do multi-agent debates improve or hurt trading decisions?
How can agent decisions be audited across data, reasoning, and execution?
How can paper-to-strategy pipelines be made reproducible?
How can MCP tool access be made safe for trading agents?
How should human PM review be formalized in AI trading systems?

这些都是可以冲 workshop、顶会、开源项目的方向。

Gaps I notice

这份 list 已经很强，但从我的 Research OS 视角，仍然可以观察几个生态缺口。

1. Research memory is still underdeveloped

很多项目有 agent，有工具，有执行。

但真正严肃的：

decision memory
experiment ledger
evidence citations
post-trade review
research lineage

还不多。

这正好是我们可以做的。

2. Evaluation is still early

Benchmark 类项目数量不多。

未来 trading agent 如果要进学术主流，一定需要更强的：

task suite
live benchmark
audit protocol
data leakage control
reproducible evaluation

这也适合我们冲顶会。

3. Strategy coding loop is still small

Strategy coding / self-improving agents 目前只有少数条目。

但这是最接近 AI scientist / quant R&D agent 的方向。

这个生态很可能还会快速增长。

4. Human PM governance is not yet standard

很多 trading agent 强调 autonomous。

但我认为现实里必须有：

human PM approval
risk sign-off
audit log
capital allocation decision

这可能是我们系统的差异化。

5. Cross-pillar integration is still fragmented

Agents、MCPs、Skills 经常是分散项目。

未来强系统应该是：

agent decision
  + MCP data and execution
  + Skill workflow
  + memory
  + backtest
  + live evaluation
  + PM review

这正是我们可以融会贯通的地方。

PR ideas for us

如果未来给 awesome-trading-agents 提 PR，我会优先考虑这些小而稳的方向。

1. Bilingual polishing

如果发现中英文 README 某些 entry 不完全对齐，可以提：

style(zh-CN): align wording for <entry>

2. Add missing canonical project

前提是项目满足：

LLM-driven
public code/artifact
active
distinct
>=100 stars or first-party/canonical exception

PR title 例子：

docs(agents): add org/repo to benchmarks

3. Add pairing notes

如果一个 Agent 明确使用某个 MCP，或者某个 Skill 配套某个 broker MCP，可以补：

*(→ pairs with: <project>.)*

这类 PR 很小，但对读者很有价值。

4. Add Research OS adjacent project

如果我们未来自己的开源项目成熟了，可能可以作为：

Skills
Research tools / analysis MCP
Strategy coding / self-improving agents
Benchmarks & evaluations

但必须达到质量标准。

不能提前硬塞。

Pengyi action plan

基于这份清单，我给自己定一个实际行动顺序。

Phase 1: Read the anchor projects

优先看：

TradingAgents
AI-Trader
ai-hedge-fund
claude-trading-skills
Alpaca MCP
financial-datasets MCP
live-trade-bench
DeepFund
QuantGPT
pwb-alphaevolve

Phase 2: Build comparison notes

每个项目都按同一模板记录：

project purpose
architecture
data sources
agent roles
tool interfaces
execution/backtest support
risk controls
memory/evaluation design
what Pengyi can learn
possible PR

Phase 3: Extract reusable architecture

把项目中的共同结构抽出来：

Research Agent
Data Tool
Signal Generator
Execution Agent
Risk Manager
Portfolio Manager
Memory Ledger
Evaluation Harness
PM Review

Phase 4: Map to our Research OS

形成自己的系统模块：

Pengyi Data Layer
Pengyi Knowledge Layer
Pengyi Workflow Skills
Pengyi StrategySpec
Pengyi Magents Runner
Pengyi Experiment Ledger
Pengyi PM Review Console

Phase 5: Contribute back

真实使用以后：

open issue
fix docs
submit PR
improve entry
add missing pairing

这就是从使用者到 contributor 的路径。

One useful mental model

可以把 awesome-trading-agents 看成 AI trading stack 的目录树。

Agents
  -> who thinks and decides

MCPs
  -> what tools they can call

Skills
  -> how they repeat tasks reliably

Resources
  -> what papers and orgs define the field

而我们的 Research OS 是：

take this ecosystem map
  -> choose components
  -> learn architecture
  -> build our own integrated system
  -> produce public artifacts
  -> contribute back

这就是生态视角。

LLMQUANT005 conclusion

awesome-trading-agents 对我的启发是：

AI quant research 不是单点技术竞赛。
它是 agent, tools, skills, memory, backtest, execution, evaluation, governance 的系统工程。

它让我们看到：

现在谁在做什么
每类项目的边界在哪里
我们应该先学什么
我们可以在哪里贡献
我们自己的 Research OS 还缺什么

这篇之后，LLMQuant 的前五个学习点已经串起来了：

000 = map the LLMQuant universe
001 = data access
002 = workflow routing
003 = knowledge structuring
004 = simulation runtime
005 = ecosystem radar

下一篇：

LLMQUANT006 -> finance knowledge layer

重点看 docs、llmquant-book、quant-wiki 这些金融知识层，以及它们如何成为 Research OS 的基础教材和知识库。