TradingAgents: Açık Kaynak LLM Ticaret Çerçevesi

Çoğu çoklu aracı LLM çerçevesi, vaat ettiğinden fazlasını sunamaz. TradingAgents nadir istisnalardan biri: Tauric Research tarafından bir arXiv makalesiyle birlikte açık kaynak yayınlanan, şu an 0.2.4 sürümünde olan ve gerçek bir araştırma masasını modelleyen bir sistem. Temel, duygu, haber ve teknik analistler; Boğa/Ayı araştırma tartışmasını, Trader’ı ve Risk Yönetimi komitesini besliyor. Sonuçta denetlenebilir, yapılandırılmış bir karar üretiliyor.

Apidog’u bugün deneyin

Bu yazıda TradingAgents’ın ne yaptığını, v0.2.4 ile gelenleri, LangGraph/CrewAI gibi genel çerçevelerden nasıl ayrıldığını ve LLM + piyasa verisi katmanlarını Apidog ile nasıl test edebileceğinizi uygulama odaklı ele alacağız. Aracı sözleşme katmanına odaklanıyorsanız, API ekipleri için agents.md kılavuzumuz bu akışla doğrudan ilişkilidir.

TL;DR

• TradingAgents, Tauric Research tarafından yayımlanan çoklu aracı LLM ticaret çerçevesidir: arXiv 2412.20138.
• İş akışını uzman rollere böler: Temel Analist, Duyarlılık Analisti, Haber Analisti, Teknik Analist, Boğa/Ayı Araştırmacıları, Trader ve Risk Yönetimi komitesi.
• v0.2.4; yapılandırılmış çıktı aracıları, LangGraph kontrol noktası sürdürme, kalıcı karar günlükleri ve DeepSeek, Qwen, GLM, Azure OpenAI desteği ekler.
• OpenAI uyumlu uç noktalarda çalışabildiği için barındırılan, yerel veya kendi kendine barındırılan modeller değiştirilebilir.
• Piyasa verisi API’lerini taklit etmek, LLM sağlayıcı trafiğini yeniden oynatmak ve sağlayıcı maliyetini karşılaştırmak için Apidog kullanabilirsiniz.
• Gerçek parayla çalışan herhangi bir aracı sisteme güvenmeden önce bu testleri CI’ye bağlamak için Apidog’u indirin.

TradingAgents aslında nedir?

TradingAgents, ticaret araştırma iş akışını uzman rollere ayıran bir Python paketi ve CLI’dır. Her rol:

• Bir iş tanımıyla yönlendirilen LLM aracısıdır.
• Sadece kendi araç setine erişir.
• LangGraph tarafından düzenlenen bir akışta çalışır.
• Çıktısını sonraki role aktarır.

Tipik akış şudur:

1. Veri toplama
2. Analist raporları
3. Boğa/Ayı tartışması
4. Trader kararı
5. Risk kontrolü
6. Kalıcı karar günlüğü

README bunu yatırım tavsiyesi değil, araştırma kodu olarak konumlandırır. Bu ayrım önemli: Amaç dizüstü bilgisayarınızdan üretim ticaret botu çalıştırmak değil, çoklu aracı iş birliğinin sonuçları nasıl değiştirdiğini incelemektir.

Mühendislik açısından değerli olan nokta rol ayrımının netliğidir:

• Temel Analist: şirket finansallarını değerlendirir.
• Duyarlılık Analisti: sosyal medya ve duygu sinyallerini inceler.
• Haber Analisti: makroekonomik ve haber akışını takip eder.
• Teknik Analist: MACD, RSI gibi teknik göstergeleri hesaplar.
• Boğa/Ayı Araştırmacıları: karşıt tezler üretir ve tartışır.
• Trader: raporları okuyup ticaret planı çıkarır.
• Risk Yönetimi: kararı kısıtlar ve risk açısından değerlendirir.

Bu desen yalnızca finans için değil, karmaşık aracı iş akışları için de uygulanabilir: uzman roller, tartışma aşaması, karar aşaması ve doğrulama adımı.

v0.2.4’te neler geldi?

Nisan 2026 sürümü, üretime yakın kullanım senaryoları için birkaç kritik özellik getiriyor.

Yapılandırılmış çıktı aracıları

Araştırma Yöneticisi, Trader ve Portföy Yöneticisi artık OpenAI Responses API veya Anthropic araç kullanımı üzerinden yapılandırılmış çıktı üretebiliyor.

Bu, serbest metin ayrıştırma yerine yazılı JSON kullanmak anlamına gelir. Sonraki otomasyon için daha güvenilir bir temel sağlar.

LangGraph kontrol noktası sürdürme

Uzun süren çalıştırmalar kaydedilmiş kontrol noktasından devam edebilir.

Örneğin:

• Piyasa verisi API’si rate limit’e takılırsa
• LLM sağlayıcısı 429 dönerse
• Çalıştırma yarıda kesilirse

Akış sıfırdan başlamak zorunda kalmaz.

Kalıcı karar günlüğü

Trader’ın verdiği kararlar; gerekçeler, girdiler ve zaman damgalarıyla SQLite günlüğüne yazılır.

Bu günlük:

• Denetim izi sağlar.
• Geriye dönük analiz için kullanılabilir.
• Değerlendirme veri kümesine geri beslenebilir.

Çoklu sağlayıcı desteği

v0.2.4; OpenAI, Anthropic, Gemini ve Grok matrisine DeepSeek, Qwen, GLM ve Azure OpenAI desteği ekler.

Daha düşük maliyetli muhakeme için OpenAI uyumlu uç noktasıyla DeepSeek V4 kullanılabilir. Uzun bağlam veya görsel yetenekler gerekiyorsa Gemini tarafına geçilebilir.

Docker ve Windows UTF-8 düzeltmesi

Çerçeve artık Dockerfile içeriyor. Ayrıca v0.2.3’teki Windows yol kodlama hatası giderildi.

Aracı mimarisi: uçtan uca akış

Tam bir TradingAgents çalıştırması şu şekilde ilerler:

1. CLI, hisse sembolü ve tarih aralığını alır.
2. Analist Ekibi paralel çalışır.
3. Dört analist bağımsız veri toplar ve rapor üretir.
4. Boğa Araştırmacısı uzun tez yazar.
5. Ayı Araştırmacısı kısa tez yazar.
6. Araştırmacılar tartışır.
7. Araştırma Yöneticisi tartışmayı öneriye dönüştürür.
8. Trader öneriyi ve karar günlüğünü okuyarak ticaret planı üretir.
9. Risk Yönetimi ekibi planı değerlendirir.
10. Agresif, Muhafazakar ve Nötr risk aracıları farklı açılardan eleştiri yapar.
11. Portföy Yöneticisi planı onaylar veya revizyon ister.
12. Nihai karar SQLite günlüğüne kaydedilir.

LLM maliyetinin çoğu genellikle 3. ve 6. adımlarda oluşur. Çünkü bu aşamalarda birden fazla aracı tartışır.

Küçük modellerin zayıf kaldığı yer de burasıdır. Örneğin 7B sınıfı bir model Boğa/Ayı tartışmasında tekrarlayan ve düşük sinyalli argümanlar üretebilir. Daha güçlü muhakeme modelleri ise daha yapılandırılmış ve araştırma toplantısına benzeyen çıktılar verir.

LLM katmanını neden API aracıyla test etmelisiniz?

TradingAgents çalıştırırken iki yüzey sık bozulur:

1. Piyasa verisi API’leri
   
   Yahoo Finance, FinnHub, Polygon, OpenBB vb.

2. LLM sağlayıcı API’leri
   
   OpenAI, Anthropic, DeepSeek, Gemini vb.

Piyasa verisi tarafında sorunlar genellikle şunlardır:

• Tutarsız rate limit davranışları
• Belgelenmemiş alan değişiklikleri
• Satıcılar arasında farklı işlem günü sınırları
• Alan adlarının sessizce değişmesi

Örneğin bir satıcı regularMarketTime alanını regular_market_time olarak değiştirirse, çalışan akış ertesi gün sessizce bozulabilir.

LLM tarafında da farklı problemler vardır:

• DeepSeek V4 düşünme modu maliyeti artırabilir.
• OpenAI Responses API’nin kendine özgü çıktı yapısı vardır.
• Anthropic araç kullanımı içerik bloklarıyla dönebilir.
• Aşağı akış ayrıştırıcıları sağlayıcı farklarından etkilenebilir.

Bu yüzden ihtiyacınız olan şey şudur:

• Kaydedilmiş istekler
• Tekrar oynatılabilir yanıtlar
• Şema ve JSONPath doğrulamaları
• Sağlayıcılar arası karşılaştırma

Bu kullanım için Apidog uygundur. Aynı test modelini protokol düzeyinde MCP sunucu test kılavuzumuzda da ele almıştık.

Apidog’da piyasa verisi API’lerini taklit etme

TradingAgents testlerinde satıcı kararsızlığını azaltmak için şu akışı kullanın.

1. Yukarı akış uç noktalarını tanımlayın

Apidog’da bir proje oluşturun ve TradingAgents’ın çağırdığı piyasa verisi uç noktalarını ekleyin:

• Yahoo Finance
• FinnHub
• Polygon
• OpenBB

Her uç nokta için:

• HTTP method
• URL path
• query parametreleri
• örnek response body
• beklenen status code

tanımlayın.

Gerçek satıcıdan alınmış örnek yanıtları kaydedin. Böylece test ortamınız canlı API’ye bağlı kalmaz.

2. Mock server’ı açın

Apidog mock server, tanımladığınız endpoint path’lerinde örnek yanıtları döndürür.

TradingAgents tarafında araç yapılandırmasını mock URL’ye yönlendirin:

export MARKET_DATA_BASE_URL="https://your-apidog-mock-url"

Bu sayede Temel Analist ve diğer veri tüketen roller deterministik veriyle çalışır. Testleriniz Yahoo Finance rate limit’ine veya hafta sonu piyasa davranışına bağlı kalmaz.

3. Satıcı kaymasını yakalayın

Haftalık bir işte canlı uç noktaları yeniden oynatın ve yanıtları mock örneklerinizle karşılaştırın.

Kontrol edin:

• Alan eklendi mi?
• Alan kaldırıldı mı?
• Alan adı değişti mi?
• Veri tipi değişti mi?

regularMarketTime gibi bir alan yeniden adlandırıldığında bunu üretim çalıştırması bozulmadan önce yakalarsınız.

Aynı yaklaşımı sözleşme-öncelikli API geliştirme akışında da kullanıyoruz.

LLM sağlayıcı katmanını test etme

Sağlayıcı katmanını ölçeklemeden önce üç şeyi doğrulayın.

1. Rol başına maliyet

Tek bir hisse senedi için tam akışı çalıştırın. Ardından Apidog istek günlüğünden rol bazlı token kullanımını çıkarın.

Özellikle karşılaştırın:

• Analist rolleri
• Boğa/Ayı tartışması
• Trader
• Risk Yönetimi
• Portföy Yöneticisi

Boğa/Ayı tartışması genellikle analistlerden 3-5 kat daha pahalıdır. Eğer değilse, model tartışmayı kısa kesiyor olabilir.

2. Çıktı şekli

v0.2.4’te yapılandırılmış çıktı döndürmesi beklenen roller:

• Araştırma Yöneticisi
• Trader
• Portföy Yöneticisi

Bu rollerde JSON doğrulaması yapın.

Örnek JSONPath kontrolleri:

$.decision
$.rationale
$.risk_assessment
$.timestamp

Buradaki bozulmalar sessiz ve yıkıcı olabilir. Aşağı akış kodu patlayana kadar fark edilmeyebilir.

3. Sağlayıcı denkliği

OpenAI’dan DeepSeek V4’e geçerken tekil kararların birebir aynı olması beklenmez. Ancak çok sayıda çalıştırmada benzer dağılıma yaklaşmaları beklenir.

Pratik test:

1. 50 hisse seçin.
2. Aynı tarih aralığını kullanın.
3. OpenAI ile çalıştırın.
4. DeepSeek V4 ile çalıştırın.
5. SQLite karar günlüklerini karşılaştırın.
6. Sapmayı ölçün.

İstek şekilleri için:

• DeepSeek V4 API kılavuzu
• GPT-5.5 API kılavuzu

Apidog yanıt farkı görünümü, sağlayıcılar arası değişimi incelemek için kullanılabilir.

Minimal TradingAgents çalıştırması

README hızlı başlangıcı kabaca şu şekildedir:

git clone https://github.com/TauricResearch/TradingAgents
cd TradingAgents
pip install -r requirements.txt

export OPENAI_API_KEY="sk-..."
export FINNHUB_API_KEY="..."

python -m tradingagents.cli \
  --ticker AAPL \
  --date 2026-04-30 \
  --models gpt-5.5 \
  --rounds 2

İki tur tartışma, anlamlı bir minimum çalıştırmadır. Çıktı genellikle JSON ve markdown karar özeti olarak şu dizine yazılır:

tradingagents/results/

Muhakeme ağırlıklı roller için DeepSeek V4 Pro’ya geçmek isterseniz:

export DEEPSEEK_API_KEY="sk-..."

python -m tradingagents.cli \
  --ticker AAPL \
  --date 2026-04-30 \
  --models deepseek-v4-pro \
  --provider deepseek \
  --rounds 2

Aynı desen Qwen 3.6, GLM 5 veya Ollama/vLLM tarafından sunulan OpenAI uyumlu yerel modeller için de uygulanabilir. Yerel model tarafı için 2026’nın en iyi yerel LLM’leri yazımız referans olabilir.

Yaygın tuzaklar

Küçük modelle çalıştırmak

7B sınıfı yerel modeller Boğa/Ayı tartışmasında döngüye girebilir veya zayıf argümanlar üretebilir.

Gerçekçi taban olarak şu sınıflar daha uygundur:

• DeepSeek V4 Flash
• Qwen 3.6 32B
• GPT-5.5
• Claude 4.5

Piyasa verisi önbelleğini atlamak

Her analist veri katmanını ayrı çağırır. Önbellekleme yoksa tek çalıştırmada 4-8 satıcı isteği oluşabilir.

Bu da hız limiti bütçesini hızla tüketir. Çerçeve önbellekleme destekliyorsa açın.

Bunu ticaret botu sanmak

TradingAgents araştırma kodudur.

Çıktılar:

• Model seçimine
• Prompt çekirdeğine
• Tartışma tur sayısına
• Veri kalitesine

duyarlıdır.

Üretilen her kararı strateji değil, hipotez olarak ele alın.

Token harcamasını kaydetmemek

Tek hisse çalıştırması modele ve tur sayısına bağlı olarak 0,10 ila 5 dolar arasında maliyet oluşturabilir.

Apidog yeniden oynatma geçmişinde çalıştırma başına maliyeti takip edin. Tartışma aşamasındaki kontrolsüz döngü dakikalar içinde gerçek maliyet yaratabilir.

Tek sağlayıcıya kilitlenmek

v0.2.0 çoklu sağlayıcı desteği ekledi. Bunu kullanın.

Pratik yaklaşım:

1. Küçük bir hisse sepeti seçin.
2. Üç sağlayıcıyla çalıştırın.
3. Karar günlüğünü karşılaştırın.
4. Maliyet ve kaliteyi birlikte değerlendirin.

Geliştirme döngüsünde Apidog’un yeri

TradingAgents benzeri projelerde Apidog üç noktada fayda sağlar.

1. Tasarım yüzeyi

Canlı satıcılara bağlanmadan önce her piyasa verisi endpoint’ini Apidog’da modelleyin.

Bu size şunları gösterir:

• Hangi alanları gerçekten kullanıyorsunuz?
• Hangi alanlar gereksiz?
• Ücretli satıcı planında kullandığınız veri gerçekten gerekli mi?

2. Yerel CI

Apidog mock server, unit test sırasında piyasa verisi satıcılarının yerini alabilir.

Avantajlar:

• Testler hızlı çalışır.
• Canlı API rate limit’i tüketilmez.
• Hafta sonu piyasa saatlerine bağlılık azalır.
• Yanıtlar deterministik olur.

Bu modeli Postman olmadan API testi yazımızda da ele aldık.

3. Regresyon farkı

Haftalık çalıştırmalarda canlı endpoint’leri kayıtlı örneklerinizle karşılaştırın.

Bu sayede şunları yakalayabilirsiniz:

• Alan adı değişimi
• Yanıt şekli kayması
• Tip değişimi
• Eksik veri

Bu, “veri katmanı bozuldu ve aracılar sayı uydurmaya başladı” sorununa karşı düşük maliyetli bir alarmdır.

Ticaretin ötesinde neden önemli?

TradingAgents, açık kaynak dünyasında temiz aracı ayrışımına iyi bir örnektir.

Aynı desen şu alanlara taşınabilir:

• Müşteri destek triyajı
  
  Bilet türüne göre uzman aracı, tartışma, karar

• Kod incelemesi
  
  Güvenlik, performans, stil aracıları ve sentezleyici

• Uyumluluk incelemesi
  
  Veri analistleri, risk inceleyicileri, karar komitesi

• Araştırma özetleme
  
  Uzman okuyucular, tartışma, sentez

Çok adımlı aracı iş akışı tasarlıyorsanız TradingAgents kodunu okumak faydalıdır. Rol ayrımı, tartışma aşaması, yapılandırılmış kararlar ve kalıcı günlük yeniden kullanılabilir desenlerdir. Ayrıca test edilebilir desenlerdir; bu yüzden Apidog ile eşleştirmek anlamlıdır.

Gerçek dünya kullanım durumları

Bir kantitatif araştırma öğrencisi, aynı 30 hisselik sepette DeepSeek V4, GPT-5.5 ve Claude 4.5’i karşılaştırmak için TradingAgents kullanabilir. Apidog her istek ve yanıtı kaydederek karşılaştırmayı tekrar üretilebilir hale getirir.

Bir fintech mühendisi, ticaret yerine iç servislerde kod incelemesi için aynı çoklu aracı desenini kullanabilir. Uzman aracıları güvenlik, performans ve adlandırmayı kontrol eder; sentezleyici PR yorumunu yazar.

Bağımsız bir geliştirici, 10 hisselik izleme listesinde TradingAgents’ı her gece çalıştırabilir ve kararları Postgres’e kaydedebilir. Apidog mock server, hafta sonu testlerinde canlı piyasa verisi sağlayıcılarının yerine geçebilir.

Sonuç

TradingAgents, sohbet üretmek yerine yapılandırılmış kararlar veren çoklu aracı LLM sistemleri için iyi bir referans uygulamadır.

v0.2.4 ile gelenler onu üretime daha yakın hale getirir:

• Yapılandırılmış çıktılar
• LangGraph kontrol noktaları
• Kalıcı karar günlüğü
• Çoklu sağlayıcı desteği
• Docker desteği

Ancak LLM ve piyasa verisi katmanlarını test edemiyorsanız bu özelliklerin değeri sınırlı kalır. Apidog burada mock, replay, şema doğrulama ve sağlayıcı karşılaştırması için pratik bir katman sağlar.

Beş çıkarım:

• TradingAgents, ticaret araştırmasını net rollere ve tartışma aşamasına böler.
• v0.2.4; yapılandırılmış çıktılar, LangGraph kontrol noktaları ve DeepSeek/Qwen/GLM/Azure sağlayıcıları ekler.
• Deterministik testler için piyasa verisi satıcılarını Apidog ile mock’layın.
• Üretimde model değiştirmeden önce sağlayıcı denkliğini test edin.
• Uzmanlar, tartışma, karar ve günlük deseni ticaret dışı aracı iş akışlarına da aktarılabilir.

Sonraki adım: depoyu klonlayın, tek bir hisse için çalıştırın ve yukarı akış çağrılarını Apidog mock server üzerinden yönlendirin. Çerçevenin iş akışınıza uygun olup olmadığını kısa sürede görebilirsiniz.

SSS

TradingAgents’ı gerçek parayla kullanmak güvenli mi?

Depo bunun araştırma kodu olduğunu ve finansal tavsiye olmadığını açıkça belirtir. Çıktıları hipotez olarak ele alın. Canlı aracı kuruma bağlayan herkes riski kişisel olarak üstlenir; bakımcılar bunu desteklemez.

Hangi LLM sağlayıcısı en iyi maliyet-kalite dengesini sunar?

2026 başındaki birçok iş yükünde, düşünme moduna sahip DeepSeek V4 Flash maliyet açısından GPT-5.5’ten daha avantajlı olabilir ve Boğa/Ayı tartışma kalitesinde rekabetçi sonuç verebilir. İstek şekli için DeepSeek V4 API kılavuzuna bakabilirsiniz.

TradingAgents’ı yerel modellerde çalıştırabilir miyim?

Evet. v0.2.0 çoklu sağlayıcı desteği ekledi. Ollama, vLLM ve LM Studio, çerçevenin kullanabileceği OpenAI uyumlu uç noktalar sunar. Model seçenekleri için 2026’nın en iyi yerel LLM’leri yazımıza bakabilirsiniz.

Piyasa verisi API’lerini nasıl mock’layabilirim?

Apidog içinde her satıcı endpoint’ini tanımlayın, mock server’ı açın ve TradingAgents araç yapılandırmasını mock URL’ye yönlendirin. Aynı desen QA mühendisleri için API test araçları yazısında da yer alır.

Minimum donanım nedir?

Barındırılan LLM’leri çağırıyorsanız Python 3.10+ yüklü herhangi bir dizüstü bilgisayar yeterlidir. Yerel model çalıştırıyorsanız donanım modele bağlıdır. 24 GB GPU DeepSeek V4 Flash veya Qwen 3.6 32B sınıfı modeller için; 8 GB GPU ise Llama 5.1 8B sınıfı modeller için kullanılabilir. Daha küçük modellerde kalite düşebilir.

Mesai sonrası ve hafta sonu simülasyonu destekleniyor mu?

Piyasa verisi satıcıları geçmiş verileri döndürdüğü sürece seçtiğiniz tarih için çalıştırma yapılabilir. Canlı ticaret ise çerçevenin açıkça çözmediği ayrı bir problemdir.

Diğer çoklu aracı çerçevelerle nasıl karşılaştırılır?

TradingAgents ticaret alanına özel tasarlanmıştır. CrewAI, AutoGen ve LangGraph daha genel amaçlıdır. Deseni öğrenip başka alanlara uygulamak istiyorsanız TradingAgents iyi bir referanstır. Genel bir aracı sistemi oluşturmak istiyorsanız doğrudan LangGraph ile başlamak daha uygun olabilir.