AI Hedge Fund Skill：多 Agent 模拟对冲基金，63K 星下的金融决策实验

Skill 捕获手内容创作者 2026-09-30 301 阅读

想象一个场景：巴菲特的护城河思维、Michael Burry 的做空本能、Cathie Wood 的颠覆式成长逻辑，全部塞进一个终端程序里，让它们互相辩驳、投票、最终给出一套投资建议——而不是真的下单交易。这正是 virattt/ai-hedge-fund 正在做的事。

这个开源项目用多 Agent 协作模拟完整对冲基金的决策流程，截至 2026 年 9 月底已斩获约 63,763 stars（持续稳定增长，9 月单月净增近千），是当前 GitHub 上金融 AI 领域最火的项目之一。

功能与原则

项目核心设计哲学：LLM 只出观点，代码决定交易——The LLM never touches the trade。所有仓位、订单、风控全部由确定性代码完成，LLM 的职责是生成「信号」（Signal），执行层与模型层完全隔离。

核心抽象只有一个接口：

AlphaModel.predict(ticker, date, data_client) -> Signal

这意味着 LLM 投资人和量化模型实现了同一接口，可以互相替换、回测、组合——多策略并行变成了一件标准化的工程问题。

认可度

GitHub stars：约 63,763（截至 2026-09-27，持续稳定增长）
v2.4.1 于 2026-09-25 刚刚发布，保持每月 1-2 次迭代
多次登顶 GitHub Trending，覆盖 HN、金融 Twitter、技术博客等多个社区
被多个 AI/量化 Newsletter 收录，包括 txtmix.com、today.toutiao.com 等中文技术媒体

链接

GitHub：https://github.com/virattt/ai-hedge-fund

原作者

GitHub： @virattt
Twitter： @virattt
定位：独立开发者，专注 LLM + 金融交叉领域，以「教育研究 Proof of Concept」为核心边界，代码透明、文档清晰，在社区以快速响应 Issue 和持续迭代著称

介绍

ai-hedge-fund 起源于一个朴素的问题：能不能让 AI Agent 模拟真实对冲基金的决策流程？

项目架构经历了一次重大重构（v2.x）：旧版基于 LangGraph 的 13 位投资大师 Agent 工作流已被移除，LangGraph 依赖已不在主干中；新版精简为一条确定性流水线：数据 → 分析师 → 组合构建 → 风控 → 执行 → 账本，任何模式（实时 / 回测 / 单次运行）走的都是同一套闭环。

当前系统内置 5 类分析师 Agent，分工明确、相互制衡：

研究 Agent（Research Analyst）： 读取财报、分析行业趋势、评估管理层质量，生成「投资备忘录」
技术 Agent（Technical Analyst）： 计算均线、识别图表形态、监测成交量异常，生成「交易信号」
风控 Agent（Risk Analyst）： 计算 VaR、监测组合集中度、设置止损线，拥有一票否决权
执行 Agent（Execution Agent）： 拆分大单、选择最优下单时机、监控订单状态，不判断「买什么」只优化「怎么买」
组合 Agent（Portfolio Manager）： 综合各方建议，决定最终资产配置权重，是流水线终点的「指挥官」

这套「内部辩论 + 风控兜底」机制，有效降低了单一模型陷入确认偏误的风险。

特点

多 Agent 协作架构：各角色 Agent 各司其职，相互制衡，而非单一模型做所有决策
LLM 与代码严格分离：模型只输出观点，风控 / 交易 / 订单全部走确定性代码，杜绝模型幻觉导致真实亏损
统一信号接口：所有分析器实现同一 AlphaModel.predict() 接口，支持量化模型与 LLM Agent 混用、组合、回测
完整回测框架：内置历史数据回测流水线，支持在真实市场历史中验证策略有效性
多 API 提供商支持：Anthropic / OpenAI / DeepSeek / Google / xAI / Kimi / TypeSafe (Jev) 均可作为底层模型，一键切换
零配置启动：pipx 安装后运行 aihf，按提示输入 API Key 即可启动交互式 TUI，无需手动配置环境

使用方法

安装（一行命令）：

pipx install aihf
# 或 uv tool install aihf

启动交互式 TUI（推荐首次使用）：

aihf

程序会自动引导配置两个 Key：
– Financial Datasets API Key（价格、财务、财报数据）
– 任意支持的 LLM API Key（见上）

非交互式运行：

# 单次运行，对指定股票出信号
aihf ~/.hedge-fund/mandates/example.yaml --tickers AAPL,MSFT

# 回测（历史数据验证策略）
aihf ~/.hedge-fund/mandates/example.yaml --tickers AAPL,MSFT --backtest

本地开发：

git clone https://github.com/virattt/ai-hedge-fund.git
cd ai-hedge-fund
poetry install
poetry run aihf
poetry run pytest hedge_fund

使用场景与人群

金融 AI 研究者：了解多 Agent 协作在投资决策中的实际表现，探索 LLM 与量化模型的融合边界
AI/多 Agent 系统工程师：参考真实场景下的 Agent 编排、角色制衡、信号接口设计
量化交易学习者：用开源框架学习对冲基金架构，熟悉回测框架与风控逻辑（不涉及真实交易）
对 AI + 金融交叉领域感兴趣的技术人员：项目代码透明，适合作为学习多 Agent 系统与金融工程结合的入口

输入与输出案例

输入：

aihf ~/.hedge-fund/mandates/example.yaml --tickers AAPL,MSFT,NVDA

程序读取历史价格与基本面数据 → 各分析师 Agent 分别生成信号 → 风控 Agent 审核 → 组合 Agent 汇总 → 输出最终调仓建议（stdout 输出 JSON 完整记录，stderr 输出人类可读摘要）。

回测输入：

aihf ~/.hedge-fund/mandates/example.yaml --tickers AAPL,MSFT --backtest

系统将历史数据标注为 t-0、t-1……时间序列，模拟盲测避免 LLM「记住」答案，输出回测期间各周期绩效曲线与基准对比。

⚠️ 项目明确标注：仅供教育研究，系统不会发出真实交易指令。

GitHub: https://github.com/virattt/ai-hedge-fund

评论区

0 条评论

登录后可评论。