一个用来学习的多 agent 投资模拟器
ai-hedge-fund 是个教学项目,把一队 LLM agent 接起来分析股票、产出买卖信号。它把一组模仿知名投资人的角色 agent,叠在负责估值、情绪、基本面、技术面的 agent 之上,再让输出过一个风险经理和一个组合经理,得出最终决策。它的魅力在于看多 agent 推理在真实股票上跑起来。截至 2026-06 有 60,129 星,成为 GitHub 上 star 最多的 AI 金融项目之一。
最该搞清的是它的边界:它不下单,明确为教育和研究而造。
它做什么
你给它股票代码,各个 agent 从自己的角度形成观点,组合经理再把这些合成一个仓位决策。它支持几家 LLM provider(OpenAI、Anthropic、Groq、DeepSeek,以及通过 Ollama 的本地模型),从一个金融数据 API 拉行情。它也能在一个日期区间上做回测。它的价值在教学:这是一个可读、可改的范例,演示怎么把许多 LLM agent 编排成一个结构化决策。
安装
它用 Poetry,需要至少一个 LLM API key 加一个金融数据 API key:
poetry install
poetry run python src/main.py --ticker AAPL,MSFT,NVDA想零 API 成本跑,可以用 Ollama flag 走本地模型,还有一个回测入口跑历史。用托管 provider 就得为 LLM token 和数据访问付费,而且对很多股票、很多日期跑一次完整回测,花费会堆起来。
接真金白银前先读这段
这部分比任何功能都重要。README 明确写:项目仅供教育和研究用途,不用于实盘交易或投资,不提供投资建议或保证,作者对财务亏损不承担责任。系统不真的下单。回测里的过往表现不代表未来结果,而且回测器有已知的影响准确性的 bug。你要是自己把信号接到券商,后果全在你。把它当成学多 agent LLM 设计的途径;投资决策请另找依据。
适合与不适合
想研究多 agent LLM 系统怎么围着一个决策搭起来、想要一份可读代码来 fork、或想试投资人风格的 prompting 时,选它。作为学习材料,它确实不错。
拿它托付金钱就错了。没有真实交易执行,数据源有覆盖缺口,agent 信号是简单合并、没有稳健的共识机制,回测结果一直不可靠。要更完整的 agent 交易框架或正经研究平台,下面的替代品更合适。
ai-hedge-fund 和其它金融项目的对比
| ai-hedge-fund | TradingAgents | qlib | FinGPT | |
|---|---|---|---|---|
| Stars | 60,129 | 85,821 | 44,469 | 20,502 |
| 类型 | 教育用 agent 模拟器 | 多 agent 交易框架 | 量化研究平台 | 金融 LLM 资源 |
| 实盘交易 | 无,仅模拟 | 带执行能力的框架 | 回测与执行框架 | 无,仅模型 |
| 许可 | MIT | Apache-2.0 | MIT | MIT |
| 适合 | 学多 agent 设计 | 搭 agent 策略 | 量化 ML 研究 | 金融 NLP 与微调 |
数字为截至 2026 年 6 月的 GitHub 数据。TradingAgents 是更大的多 agent 交易框架,带执行路径。qlib 是微软的研究级量化平台。FinGPT 提供的是金融语言模型。ai-hedge-fund 的位置,是这四个里最易上手的教学范例。
star 曲线
star 曲线陡峰,更多说明概念(LLM agent 扮演知名投资人)的吸引力。它是个爆红的教学仓,star 数和它真实交易能力之间的差距,正是要记住的事。
issue 区给你的预警
tracker 把局限标得清楚。没有真实券商执行,信号止步于建议。单一金融数据源有覆盖缺口,尤其 ETF 和部分市场。回测有过削弱历史结果可信度的 bug。agent 信号合并时没有真正的共识或加权机制,观点冲突时解决得不好。没有超时的 LLM 调用会把长分析挂死。这些对学习工具都不致命,但全都在提醒:别把输出当建议信。
相关仓库
要更完整的多 agent 交易框架,看 TradingAgents。要量化研究平台,看 qlib。要金融语言模型,看 FinGPT。要底层的 agent 框架,看 LangChain 式工具。想看什么在涨,见 每日榜 和 每周报告。
常见问题
ai-hedge-fund 能用来实盘交易吗? 不能。README 写明它仅供教育和研究用途,不下单,不提供投资建议,作者对亏损不负责。你要自己把它接到券商,风险全在你。
ai-hedge-fund 还是 TradingAgents,该用哪个? ai-hedge-fund 是更易上手的教学范例,围着投资人角色搭,信号止步于建议。TradingAgents 是更大的框架,带执行路径。学多 agent 设计选 ai-hedge-fund,搭更接近真实策略的东西选 TradingAgents。
跑一次要多少钱? 你为 provider 的 LLM token 和金融数据 API 付费。单次分析很便宜,但对很多股票、很多日期跑完整回测会堆起来。用 Ollama 跑本地模型免 token 成本,代价是质量。
ai-hedge-fund 能用本地模型吗? 能,通过 Ollama,免掉 LLM API 成本。本地模型的网页 UI 支持一直不完整,但 CLI 路子能用。
这些 agent 是在金融数据上训练的吗? 不是。它们是零样本 LLM,靠系统 prompt 编码每个角色和分析风格驱动。行为来自 prompting 这一层,谈不上自定义训练。