jackson-cmd/risk-aware-trading-agents

项目介绍

Risk-aware-trading-agents 是一个用 Python 构建和测试美股波段策略的框架。它把宏观状态、技术形态、盈利质量和新闻四类分析模块生成的信号，交给一个确定性的风险管理者做最终裁决：现金与短期美债不低于 30%、个股与行业有上限、分批建仓，并按市场状态调整仓位。适合几天到几周为周期交易美股的人、研究 LLM 交易智能体的人，以及想要可复现回测而不是黑盒机器人的人。

项目自带一份冻结的 2026 年研究数据：64 只股票和 25 只 ETF 自 2024 年起的日线、VIX 期限结构，以及 16,945 条带发布时间戳的新闻标题和 SEC 文件。每次研究运行都会做前视偏差检查——在三个截断日之后把未来价格和新闻随机替换，截断日之前的决策必须不变，否则该次运行会被标记 (research kit)。

可选的 LLM 审阅角色（看多、看空、风险裁判）最多把置信度调整 ±0.15 或否决买入，但不能创建交易或修改限价。同一套智能体通过 MCP 暴露给 Claude、Codex、Gemini、Cursor 等客户端，可以用自然语言查市场状态、跑回测、写策略 (MCP server)。

快速使用

需要 Python 3.10+。安装 dashboard 与 MCP 扩展并启动网页界面：

pip install "risk-aware-trading-agents[dashboard,mcp]"
riskaware dashboard   # http://localhost:8501，中英文界面

在另一个终端初始化配置（语言、风险档位、券商、自选股）并查看市场：

riskaware init
riskaware regime
riskaware scan
riskaware analyze NVDA
riskaware backtest --compare buy_and_hold,ema_bounce
riskaware run             # 在内置模拟账户上执行一个交易周期

这些命令都不需要账户或 API key。riskaware research run -s swing_trend 会在冻结的 2026 年市场上测试策略并执行前视检查。项目还提供 x86-64 和 ARM 的 Docker 镜像，GitHub Codespaces 可直接打开预装好依赖的仓库 (quick start)。

使用方式

仪表盘、命令行、MCP 和 Python API 对应不同工作流。模拟交易智能体可以在虚拟资金上并行运行，每个交易日与 SPY 对比排名；riskaware agents schedule --install 会安装 LaunchAgent、cron 或 Windows 计划任务，在每个交易日纽约收盘前自动交易一次 (paper-trading agents)。

自定义策略只需一个 Python 类，在 on_bar 中返回 Signal 对象；风险管理者仍会强制执行现金底线、仓位上限和状态规则，因此策略自动继承这些保护 (custom strategies)。策略实验室允许 MCP 客户端写代码，先拦截写死的日期和股票代码，再在独立进程中回测 (strategy lab)。

使用约束

• 项目用于研究和教育，不是投资建议；交易有亏损风险。
• 实盘交易需要三重开关：配置中的 execution.mode: live、命令行 --live，以及手动输入确认。默认使用内置模拟账户。
• 部分券商需要额外安装扩展（.[ibkr]、.[schwab]、.[tastytrade]、.[futu]、.[tiger]、.[longbridge]）；Alpaca、Public.com、Tradier 内置。文档只说明内置模拟账户和 Alpaca 模拟账户经过测试 (brokers)。
• 期权目前仅支持回测，riskaware run 会跳过期权订单。期权回测用 Black-Scholes 和建模的隐含波动率定价，结果对这些假设敏感。
• 2026 年数据只覆盖 64 只内置股票和 25 只 ETF；其他年份的新闻需用 riskaware news-history build 在本地构建，Benzinga 标题需要 API key。2018–2026 回测使用当前的大盘股名单，存在幸存者偏差；该策略在长期牛市中跑输 SPY，但回撤约为其一半。
• 许可证为 MIT。

HotRepo 点评

在 HotRepo 2026-11-13 的 Python 新项目榜上，该仓库记录了 107 stars 和 19 forks，在 17:46 至 19:15 UTC 约 90 分钟的窗口内新增 7 stars。对金融研究工具来说这属于早期关注，不能说明采用率或策略质量。材料里更值得看的是可复现性设计：冻结的 2026 年数据集、每次运行的前视检查、保存的数据哈希，以及用于引用的 Zenodo DOI。README 还报告了一个负面结果——在 2026 年测试中，标题情绪让五种常见波段策略都略微变差——这与营销页的写法不同，更像一个研究工具。回测数字应视为作者在给定假设下的结果，而非未来表现的证据。