LLM株式取引にTradingAgentsが選ばれる理由と競合OSSとの差分

LLMを活用した金融取引の自動化を研究・実験したいエンジニアにとって、どのOSSフレームワークを選ぶかは最初の大きな判断です。GitHubに「LLM」「金融取引」「マルチエージェント」という条件で類似リポジトリが複数存在する中、TauricResearch/TradingAgentsは71,000以上のスターを獲得し、カテゴリ内で突出した注目を集めています。

本記事では、TradingAgentsのアーキテクチャと主要機能を整理した上で、類似OSS（ai-hedge-fund・FinGPT）との設計上の差分を比較します。自プロジェクトへの採用可否を判断する上での情報提供が目的であり、実際の金融取引や投資の推奨ではありません。

TradingAgentsとは？マルチエージェントで株式取引を自動化するOSS

TradingAgentsは、Tauric Researchが開発したPython製のマルチエージェントLLMフレームワークです。GitHubでは2026年5月時点で71,355スター・13,830フォークを獲得しており（最終更新: 2026年5月1日）、LLMを活用した金融取引研究の分野で最も注目されているOSSの一つです（TauricResearch/TradingAgents）。

コアコンセプト: 実際のトレーディングファームの組織構造を模倣し、専門的な役割（ロール）を持つ複数のLLMエージェントが協調して市場を分析・取引判断を行う。

重要な前提として、TradingAgentsは研究目的のOSSです。実際の金融アドバイスや投資推奨を行うシステムではなく、LLMマルチエージェントの実験・学習・研究に特化した位置づけです。ライセンスはApache-2.0（商用利用可能）ですが、リポジトリのREADMEには明示的に「財務・投資・取引アドバイスとしての利用は意図していない」と記載されています。

TradingAgentsのアーキテクチャ——5つの専門エージェント層

TradingAgentsは5層構造のエージェントパイプラインで構成されています。各層が役割を持ち、前の層の出力を受け取って処理を進めます。

アナリストチーム（4エージェント並行処理）

第1層では4種類のアナリストエージェントが並行して市場データを収集・分析します。

4エージェントが並行処理することで、単一視点に偏らない多角的な市場分析が実現されています。

リサーチチーム——ブル vs ベアの構造化討論

第2層では、ブル（強気）リサーチャーとベア（弱気）リサーチャーが対立する視点で分析を行います。これはLLMエージェントにありがちな「楽観バイアス」を構造的に排除するための設計です。

弁証法的なプロセスで両視点を検討することで、一方的な楽観・悲観に偏らないバランスのとれた評価が得られます。

トレーダー・リスク管理・ポートフォリオマネージャー

第3〜5層では意思決定から実行判断までを処理します。

• トレーダー: アナリスト報告とブル・ベア両視点の討論結果を統合し、売買判断シグナルを生成します
• リスク管理チーム: 市場ボラティリティ・流動性との照合を行い、ポジションサイズ・リスク露出を評価します
• ポートフォリオマネージャー（ファンドマネジャー）: 最終承認・実行判断を下します

10以上のLLMプロバイダー対応と設定方法

TradingAgentsの大きな特徴の一つが、10以上のLLMプロバイダーへの対応です。用途やコスト・プライバシー要件に応じてモデルを選択できます。

基本的な使用例

以下は公式READMEに掲載されているコードサンプルです。

出典: https://github.com/TauricResearch/TradingAgents/blob/main/README.md

from tradingagents.graph.trading_graph import TradingAgentsGraph
from tradingagents.default_config import DEFAULT_CONFIG

ta = TradingAgentsGraph(debug=True, config=DEFAULT_CONFIG.copy())
_, decision = ta.propagate("NVDA", "2026-01-15")
print(decision)

propagate() に銘柄ティッカーと日付を渡すと、エージェントパイプライン全体が実行され、売買判断が返されます。

カスタムLLM設定例

出典: https://github.com/TauricResearch/TradingAgents/blob/main/README.md

config = DEFAULT_CONFIG.copy()
config["llm_provider"] = "openai"
config["deep_think_llm"] = "gpt-5.4"
config["max_debate_rounds"] = 2

ta = TradingAgentsGraph(debug=True, config=config)
_, decision = ta.propagate("NVDA", "2026-01-15")

config で使用するLLMプロバイダー・モデル・討論ラウンド数などをカスタマイズできます。

学習・記憶システム——他フレームワークとの差別化点

TradingAgentsがai-hedge-fundなどの類似OSSと大きく異なる点の一つが、学習・記憶システムの実装です。

決定ログ（Decision Log）

TradingAgentsは過去の取引判断・根拠を永続ログとして保存します。このログには以下が含まれます。

• どの銘柄でどの判断をしたか
• 各エージェントの分析根拠
• 実際の市場結果との照合

リフレクション機構

蓄積された決定ログをもとに、過去の失敗パターンを分析し、次回の判断に組み込みます。「過去にこの条件で損失が出た」という経験を、次のエージェントの判断に反映させる仕組みです。

LangGraphチェックポイント

LangGraphのチェックポイント機能により、長時間実行の途中で中断が発生した場合でも再開が可能です。大規模なバックテスト実験でタイムアウトが発生しても、最初からやり直す必要がありません。

これらの学習・記憶機能は、TradingAgentsを単純な「エージェント呼び出しスクリプト」ではなく、継続的に改善されるシステムとして設計する意図を示しています。

TradingAgents vs ai-hedge-fund vs FinGPT——3OSSの設計差分

LLM×金融取引という領域で代表的な3つのOSSを比較します。

比較表

TradingAgents vs ai-hedge-fund

virattt/ai-hedge-fundは58,000+スターを持つ注目プロジェクトで、バフェット・マンガー・ウッドなど著名投資家のスタイルをシミュレートする14〜18エージェントを搭載しています。

設計の違い:

• TradingAgents: 実際のトレーディングファームの組織構造（分析官・リサーチャー・トレーダー・リスク管理・ポートフォリオマネージャー）を模倣。役割の分業と情報フローの明確化を重視
• ai-hedge-fund: 個々の著名投資家の投資哲学（バリュー投資・グロース投資等）を並列エージェントとして実装。多様な投資スタイルの組み合わせを重視

選択基準:

• 組織的な分業プロセスを研究したい → TradingAgents
• 著名投資家の戦略を模倣・比較したい → ai-hedge-fund
• LLMを使ったWeb UIも含めたフルスタックが必要 → ai-hedge-fund（TypeScript実装のWebアプリを含む）

TradingAgents vs FinGPT

AI4Finance-Foundation/FinGPTは「取引フレームワーク」ではなく「金融NLPモデル」です。LoRAによる軽量ファインチューニングで、感情分析・テキスト分類・予測を低コスト（$300以下）で実現します。

設計の違い:

• TradingAgents: 「どう判断するか」のプロセスを複数エージェントで構成。LLM APIを呼び出しながらリアルタイムに市場分析を行う
• FinGPT: 「金融テキストを理解するモデル」の構築。Llama-2等をファインチューニングして特化させる

この2つは用途が根本的に異なるため、競合というよりも組み合わせの対象です。FinGPTのセンチメント分析結果をTradingAgentsの入力データとして活用する構成も理論上は可能です。

選択基準:

• LLMエージェントによる取引判断プロセスを実験したい → TradingAgents
• 金融テキストを理解する特化モデルを手軽に構築したい → FinGPT
• GPUリソースなしで動かしたい → TradingAgents（GPU不要）

研究成果——バックテスト実験結果

TradingAgentsの研究成果は論文「TradingAgents: Multi-Agents LLM Financial Trading Framework」（arXiv:2412.20138）として公開されています。

2024年6月〜11月の実験期間における主なバックテスト結果：

すべてのベースラインモデル（単純な買い持ち戦略等）を上回るリスク調整リターンが報告されています。

重要な注意事項: この結果は特定期間の研究実験によるものです。将来の市場環境での再現性を保証するものではなく、実際の資金運用への適用を推奨する情報ではありません。バックテスト結果は、フレームワークのアーキテクチャが研究用途で有効に機能することを示す指標として参照してください。

TradingAgentsの採用可否を判断するチェックリスト

向いているケース

• LLMマルチエージェントのアーキテクチャを実際のユースケースで実験したい
• 複数のLLMプロバイダー（OpenAI/Anthropic/DeepSeek等）を組み合わせた実験をしたい
• 金融取引のシミュレーション環境で強化学習・エージェント設計の研究をしたい
• GPUなしでLLMエージェントを動かしたい
• Dockerを使った再現可能な実験環境を構築したい

向いていないケース

• 本番の資金を運用するシステムへの組み込み（研究目的OSSであり非推奨）
• リアルタイム取引への直接適用（レイテンシ・コスト面での制約あり）
• 金融ライセンスが必要な用途（TradingAgents自体はアドバイス機能を提供しない）

最低限のセットアップ要件

• Python 3.13（condaまたはvenv推奨）
• 使用するLLMプロバイダーのAPIキー（少なくとも1つ）
• インターネット接続（LLM API・市場データ取得用）

まとめ

TradingAgentsは、LLMエージェントを活用した金融取引研究のフレームワークとして、以下の点で類似OSSと差別化されています。

1. 5層構造の組織ロール設計: 実際のトレーディングファームを模倣した役割分担
2. 学習・記憶機能: 決定ログとリフレクション機構による継続的な改善
3. 10+のLLMプロバイダー対応: OpenAI/Anthropic/DeepSeek/Ollamaまで幅広く対応
4. ai-hedge-fundとの違い: 組織的分業 vs 著名投資家スタイルのシミュレート
5. FinGPTとの違い: 取引判断プロセス vs 金融テキスト理解モデル

研究目的のOSSとして、LLMマルチエージェントの実験環境としては現時点で最も完成度の高いフレームワークの一つです。詳細は公式リポジトリと公式ドキュメントを参照してください。

• TauricResearch/TradingAgents（GitHub）
• TradingAgents 公式ドキュメント
• 論文: arXiv:2412.20138