Eine Handelsfirma aus LLM-Agenten: 117.000 Sterne – und ein Disclaimer

TradingAgents hat rund 117.700 Sterne auf GitHub und allein in dieser Woche etwa 4.900 dazugewonnen. Damit gehört das Repository zu den populärsten in der Kategorie „Agenten, die echte Arbeit erledigen“. Es ist ein Multi-Agenten-Framework von Tauric Research, das eine Handelsfirma simuliert: Analysten, Researcher, ein Händler, ein Risikoteam und ein Portfoliomanager, alle von Sprachmodellen gesteuert, die miteinander streiten, bis etwas genehmigt wird.

Das Repository ist vorsichtig mit seinen Behauptungen. Die eigene Beschreibung sagt, es sei für Forschungszwecke gedacht, und ergänzt, die Performance variiere je nach gewähltem Basismodell, Temperatur, Handelszeitraum, Datenqualität und schlichter Nichtdeterminiertheit. Dieser Satz leistet viel Arbeit, und er ist das Wichtigste im README.

Das Organigramm ist die Architektur

Interessant ist hier nicht, dass ein LLM Aktien auswählen kann. Genug Prompts tun das schlecht. Interessant ist, dass die Pipeline wie eine echte Firma aufgebaut ist, mit Funktionstrennung und einer Debattenphase.

Vier Analysten arbeiten parallel und unabhängig: Fundamentaldaten (Bilanzen, innerer Wert, Risikosignale), Sentiment (Schlagzeilen, StockTwits, Reddit), Nachrichten (globale und makroökonomische Ereignisse) und Technik (MACD, RSI, Mustererkennung). Keiner sieht die Ergebnisse der anderen. Alle vier Berichte müssen vorliegen, bevor irgendetwas anderes beginnt.

Dann debattiert ein Research-Team aus zwei Personen – ein Bulle und ein Bär – diese Berichte in strukturierten Runden. Danach verdichtet ein Händler das Material von Analysten und Researchern zu einer Entscheidung mit Zeitpunkt und Größe. Dann bewertet das Risikoteam Volatilität, Liquidität und Exposure und übergibt eine Einschätzung an den Portfoliomanager, der zustimmt oder ablehnt. Genehmigte Trades gehen an eine simulierte Börse.

Wer schon einmal bei einem Fonds gearbeitet hat, wird die Form wiedererkennen, einschließlich des Teils, in dem das Risikoteam ein Vetorecht hat und der Portfoliomanager das letzte Wort. Das ist keine Dekoration. Handelsfirmen sind so organisiert, weil ein einzelner Entscheider mit nur einer Sicht auf die Welt korrelierte Fehler macht. Die Struktur ist ein Fehlerkorrekturmechanismus, und das Framework kopiert den Mechanismus, nicht die Jobtitel.

Zum Laufen bringen

Python 3.11 oder höher. Das README empfiehlt conda oder uv:

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

Dann die Env-Datei kopieren und Schlüssel eintragen:

cp .env.example .env

Und die interaktive CLI starten:

tradingagents

Es gibt auch einen Docker-Weg, und den würde ich nehmen, wenn reproduzierbare Ergebnisse gefragt sind:

docker compose run --rm tradingagents

Für geplante Läufe gibt es einen nicht-interaktiven Modus mit expliziter Modellwahl:

export TRADINGAGENTS_LLM_PROVIDER=openai \
  TRADINGAGENTS_QUICK_THINK_LLM=gpt-6-luna \
  TRADINGAGENTS_DEEP_THINK_LLM=gpt-6-sol
tradingagents --ticker NVDA --date 2026-09-23 \
  --analysts market,news,fundamentals --save --no-show

Diese Aufteilung auf zwei Modelle ist bemerkenswert. „Quick think“ erledigt die mechanischen Züge, „deep think“ übernimmt die Analyse. Das ist eine Kostenentscheidung im Gewand einer Konfigurationsoption, und sie verrät, dass die Autoren wissen: Ein vollständiger Multi-Agenten-Lauf auf einem großen Modell ist pro Aktie teuer.

Das Zahlenproblem

Hier würde ich der üblichen Diskussion über dieses Repository widersprechen.

Ein Multi-Agenten-Handelssystem, das pro Aktie und Tag eine Entscheidung produziert, erzeugt pro Jahr sehr wenige Datenpunkte. Bei 30 Aktien über 12 Monate sind es 7.560 Entscheidungen – das klingt nach viel, bis man sich erinnert, dass sie alle aus denselben 12 Monaten Marktlage stammen. Die effektive Stichprobengröße liegt näher an einem einzigen Regime als an 7.560 unabhängigen Beobachtungen.

Dazu kommt die Nichtdeterminiertheit, vor der das README warnt. Temperatur, Modellversion, Tool-Latenz und die Reihenfolge, in der abgerufene Nachrichten eintreffen, verschieben die Ausgabe. Zwei Läufe am selben Tag für dieselbe Aktie können in der Researcher-Debatte auseinanderlaufen und mit unterschiedlichen Positionen enden. Damit ist ein konventioneller Backtest kaum replizierbar, und Replikation ist das Einzige, was aus einem Ergebnis einen Beleg macht.

Nichts davon ist ein Schlag gegen das Framework. Es ist ein Schlag gegen das Genre der „Mein Agent hat den S&P geschlagen“-Beiträge, die auf jeden solchen Release folgen. Die Autoren selbst veröffentlichen es als arXiv-Paper (2412.20138) mit Forschungsrahmen, und das Repository nennt im ersten Satz Forschungszwecke. Die Lücke zwischen diesem Satz und der Art, wie das Projekt geteilt wird, ist der Ort, an dem Leute Geld verlieren.

Was die Debattenebene wirklich bringt

Ich habe eine ganze Reihe von Debattenprotokollen zwischen Agenten gelesen, und es gibt ein konsistentes Muster: Die Debatte ändert seltener die Schlussfolgerung als die Zuversicht.

Das ist trotzdem nützlich. Wenn Bulle und Bär über dieselben Analystenberichte streiten, tritt die konkrete Annahme hervor, von der der Trade abhängt – „das funktioniert, wenn die Margenausweitung anhält“ – und genau dieser Satz ist es, den ein menschlicher Analyst ohnehin lesen sollte. Die Ausgabe ist kein Signal. Sie ist eine strukturierte Aussage darüber, was wahr sein muss.

Es gibt auch ein echtes Risiko in die Gegenrichtung: Debattenprotokolle sind überzeugend. Ein gut geschriebener Bärenfall liest sich wie Einsicht, selbst wenn er auf einer halluzinierten Gewinnzahl aufbaut. Das Framework mildert das, indem es Analysten voneinander isoliert und dem Risikoteam ein Vetorecht gibt, aber nichts in der Pipeline prüft, ob eine zitierte Zahl existiert. Wer das einsetzt, muss die Verifikationsschicht selbst bauen, und sie sollte ein hartes Gate sein und nicht die Meinung eines weiteren Agenten.

Wie ein belastbares Ergebnis aussehen müsste

Wer mich davon überzeugen will, dass ein solches Multi-Agenten-Setup einen Vorsprung hat, muss diese Mindestlatte nehmen, und sie liegt höher als bei jeder Demo, die ich gesehen habe.

Alles einfrieren. Modellversionen, Temperatur, Prompt-Templates, Datum des Daten-Snapshots und das Retrieval-Korpus. Ein Ergebnis auf Live-Daten an einem bestimmten Dienstag ist eine Anekdote, keine Messung.

Gegen die richtige Benchmark vergleichen. Nicht „hat es Geld verdient“, sondern „hat es eine naive Strategie mit gleichem Exposure geschlagen“. Ein Long-only-System schlägt in einem steigenden Markt per Definition Cash, und ein erschreckender Teil der Agenten-Trading-Inhalte ist genau das, mit ein paar Extraschritten.

Die Kosten ausweisen. Ein vollständiger Lauf mit vier Analysten und mehreren Debattenrunden verbraucht pro Aktie und Tag echte Tokens. Wenn die Strategie 12 Prozent im Jahr bringt und die Modellrechnung 3 Prozent des Portfolios ausmacht, muss die Debattenebene ein Viertel des Alpha wert sein, bevor sie ihren Platz verdient.

Und die Verlustläufe veröffentlichen. Das Cloudflare-Sicherheitsrepository ist glaubwürdig, weil es laut sagt, dass ein einzelner Durchlauf die Hälfte dessen findet, was wiederholte Durchläufe finden. Das Äquivalent wäre hier, die Aktien zu veröffentlichen, bei denen der Bären-Researcher recht hatte und der Portfoliomanager ihn überstimmt hat. Das macht noch niemand, in keinem Repository.

Wer es tatsächlich klonen sollte

Drei legitime Verwendungen, und keine davon ist „verwaltet mein Geld“.

Als Gerüst für Forschung zur Multi-Agenten-Koordination ist es wirklich gut: saubere Rollentrennung, ein Debattenprotokoll, ein Vetomechanismus und ein Paper, das das Design beschreibt. Wer untersucht, ob strukturierter Dissens das Reasoning von LLMs verbessert, bekommt eine funktionierende Testumgebung, deren Schnittstelle man nicht selbst bauen muss.

Als Lehrwerkzeug für jemanden, der lernen will, wie ein Handelstisch eine Entscheidung zerlegt, ist es besser als ein Schaubild im Lehrbuch, weil man die Berichte fließen sieht und erkennt, wo ein schlechter Input sich ausbreitet.

Als persönliche Pre-Mortem-Analyse, mit strengen Grenzen: auf eine Position anwenden, die man schon hält, den Bärenfall lesen und die Ausgabe als Checkliste zum Prüfen behandeln. Der Wert liegt in den Fragen, nicht im BUY/SELL-Feld. Und es in der simulierten Börse belassen, wo es standardmäßig läuft und wo es bleiben sollte.

Die 117.000 Sterne sind ein Signal für Nachfrage, nicht für Performance. Die Leute wollen ein System, das für sie die Nachrichten liest und ihnen sagt, was zu tun ist. Dieses Framework gibt ihnen etwas Ehrlicheres und weniger Befriedigendes: einen Raum voller Kollegen, die widersprechen, und eine Entscheidung, die weiterhin davon abhängt, ob die Daten richtig waren.