AI Hedge Fund：多智能体协作的量化投资系统

AI Hedge Fund：多智能体协作的量化投资系统

量化交易领域长期存在一个矛盾：单个策略模型容易过拟合，而手动管理多个模型又极其繁琐。AI Hedge Fund 直接解决了这个问题——它用多个 LLM Agent 模拟一个对冲基金的投研团队，每个 Agent 负责不同的分析维度（技术分析、基本面、情绪等），最终通过投票或辩论机制输出交易信号。项目地址：https://github.com/virattt/ai-hedge-fund

项目背景

该项目由开发者 Virattt 维护，最初源于个人对 LLM 在金融决策中应用的研究。传统量化系统要么依赖单一模型（如 LSTM 预测价格），要么需要大量手工特征工程。Virattt 的出发点是：让多个具备不同“专业背景”的 AI Agent 协作，模拟真实投研团队的讨论与决策过程，从而降低单一模型的偏差风险。核心痛点在于：如何在不依赖昂贵金融数据 API 的前提下，用 LLM 构建一个可解释、可扩展的交易信号生成系统。

核心功能解析

多智能体协作架构

系统内置了 6 个专用 Agent：技术分析师（基于 TA-Lib 指标）、基本面分析师（读取财报摘要）、情绪分析师（新闻/社交媒体）、估值分析师（PE/PB 等）、风险管理师（止损/仓位控制）以及一个 决策汇总器。每个 Agent 独立运行 LLM 调用，最终由汇总器根据投票或辩论结果生成 buy、sell 或 hold 信号。

可插拔数据源与模型

系统支持多种数据源接入，默认使用 yfinance 获取市场数据，但可以通过配置切换为 alpaca 或自定义 API。LLM 后端支持 OpenAI、Anthropic 以及本地模型（通过 Ollama 或 vLLM）。以下是一个典型的运行命令：

# 使用 OpenAI 分析 AAPL 股票
python src/main.py --ticker AAPL --initial-cash 100000 \
    --model-openai --api-key $OPENAI_API_KEY \
    --show-reasoning

实时回测与日志追踪

系统内置了轻量级回测引擎，支持按日、周、月频率运行。每个 Agent 的推理过程会以结构化 JSON 输出到 logs/ 目录，便于调试和审计。关键参数通过 config.yaml 控制：

# config.yaml 片段
agents:
  technical_analyst:
    enabled: true
    indicators: ["SMA", "RSI", "MACD"]
  sentiment_analyst:
    enabled: true
    news_source: "finviz"
execution:
  strategy: "consensus"  # 可选: "consensus", "majority", "weighted"

快速上手

# 1. 克隆并安装依赖
git clone https://github.com/virattt/ai-hedge-fund
cd ai-hedge-fund
python -m venv venv && source venv/bin/activate
pip install -r requirements.txt

# 2. 配置环境变量
echo "OPENAI_API_KEY=sk-xxx" > .env

# 3. 运行默认回测（分析 AAPL 过去 3 个月）
python src/main.py --ticker AAPL --end-date 2025-04-01 \
    --initial-cash 100000 --show-reasoning

输出示例：

[Technical Analyst] RSI = 62.3, MACD bullish crossover detected → buy
[Fundamental Analyst] P/E ratio 28.5, above industry avg → hold
[Sentiment Analyst] News sentiment score: -0.12 → sell
[Decision] Consensus: hold (2 buy, 1 sell, 1 hold)

技术亮点

这个项目最值得关注的设计决策是 Agent 间通信协议 和 LLM 调用成本优化。

首先，Agent 之间的通信并非简单的函数调用，而是通过一个 基于 Pydantic 的 Schema 定义 的结构化消息传递。每个 Agent 的输出是一个包含 signal、confidence、reasoning 和 metadata 的字典。这种设计使得添加新 Agent 时，只需实现一个接口类，无需修改核心决策逻辑。代码中 base_agent.py 定义了清晰的抽象基类：

class BaseAgent(ABC):
    @abstractmethod
    def analyze(self, data: MarketData) -> AgentSignal:
        pass

其次，为了控制 API 成本，系统实现了 分层推理策略：对于技术指标这类确定性计算（如 RSI、MACD），直接使用 Python 库（TA-Lib）计算，不调用 LLM；只有需要语义理解的部分（如新闻情绪、财报解读）才触发 LLM 调用。实测中，一次完整回测（30 天数据）仅消耗约 2000 tokens，成本低于 $0.01。

另一个值得注意的亮点是 辩论机制。在 debate 模式下，Agent 会看到其他 Agent 的推理结果，然后重新评估自己的判断。这模拟了真实投研团队的“挑战”过程，能有效减少极端信号的误判。代码实现上，系统通过维护一个 MessageQueue 来管理多轮交互，避免了循环依赖。

同类对比

相较于 FinGPT 需要微调模型，AI Hedge Fund 直接使用通用 LLM（GPT-4/Claude），部署成本更低；相比 Qlib，它提供了天然的可解释性（每个 Agent 输出推理过程）。主要不足是 不支持实盘交易（仅回测），且对高频数据支持较弱。

总结

如果你正在寻找一个 低门槛、可解释、可扩展的 LLM 量化交易实验框架，AI Hedge Fund 是目前最务实的选择。特别适合以下人群：想用 LLM 做交易策略研究但不想从零搭建多 Agent 系统的开发者，或者 需要快速验证不同数据源/模型对交易决策影响的量化研究员。

一句话：用多智能体协作替代单一模型，用结构化推理替代黑盒预测——这才是 LLM 在量化领域正确的打开方式。