This is a proof concept for an AI-powered hedge fund. The goal of this project is to explore the use of AI to make trading decisions. This project is for educational purposes only and is not intended for real trading or investment.
This system employs several agents working together:
- Market Data Analyst - Gathers and preprocesses market data
- Valuation Agent - Calculates the intrinsic value of a stock and generates trading signals
- Sentiment Agent - Analyzes market sentiment and generates trading signals
- Fundamentals Agent - Analyzes fundamental data and generates trading signals
- Technical Analyst - Analyzes technical indicators and generates trading signals
- Risk Manager - Calculates risk metrics and sets position limits
- Portfolio Manager - Makes final trading decisions and generates orders
Note: the system simulates trading decisions, it does not actually trade.
This project is for educational and research purposes only.
- Not intended for real trading or investment
- No warranties or guarantees provided
- Past performance does not indicate future results
- Creator assumes no liability for financial losses
- Consult a financial advisor for investment decisions
By using this software, you agree to use it solely for learning purposes.
Clone the repository:
git clone https://github.com/virattt/ai-hedge-fund.git
cd ai-hedge-fund- Install Poetry (if not already installed):
curl -sSL https://install.python-poetry.org | python3 -- Install dependencies:
poetry install- Set up your environment variables:
# Create .env file for your API keys
cp .env.example .env
export OPENAI_API_KEY='your-api-key-here' # Get a key from https://platform.openai.com/
export FINANCIAL_DATASETS_API_KEY='your-api-key-here' # Get a key from https://financialdatasets.ai/poetry run python src/main.py --ticker AAPLYou can also specify a --show-reasoning flag to print the reasoning of each agent to the console.
poetry run python src/main.py --ticker AAPL --show-reasoningYou can optionally specify the start and end dates to make decisions for a specific time period.
poetry run python src/main.py --ticker AAPL --start-date 2024-01-01 --end-date 2024-03-01poetry run python src/backtester.py --ticker AAPLExample Output:
Starting backtest...
Date Ticker Action Quantity Price Cash Stock Total Value
----------------------------------------------------------------------
2024-01-01 AAPL buy 519.0 192.53 76.93 519.0 100000.00
2024-01-02 AAPL hold 0 185.64 76.93 519.0 96424.09
2024-01-03 AAPL hold 0 184.25 76.93 519.0 95702.68
2024-01-04 AAPL hold 0 181.91 76.93 519.0 94488.22
2024-01-05 AAPL hold 0 181.18 76.93 519.0 94109.35
2024-01-08 AAPL sell 519 185.56 96382.57 0.0 96382.57
2024-01-09 AAPL buy 520.0 185.14 109.77 520.0 96382.57
You can optionally specify the start and end dates to backtest over a specific time period.
poetry run python src/backtester.py --ticker AAPL --start-date 2024-01-01 --end-date 2024-03-01ai-hedge-fund/
├── src/
│ ├── agents/ # Agent definitions and workflow
│ │ ├── fundamentals.py # Fundamental analysis agent
│ │ ├── market_data.py # Market data agent
│ │ ├── portfolio_manager.py # Portfolio management agent
│ │ ├── risk_manager.py # Risk management agent
│ │ ├── sentiment.py # Sentiment analysis agent
│ │ ├── state.py # Agent state
│ │ ├── technicals.py # Technical analysis agent
│ │ ├── valuation.py # Valuation analysis agent
│ ├── tools/ # Agent tools
│ │ ├── api.py # API tools
│ ├── backtester.py # Backtesting tools
│ ├── main.py # Main entry point
├── pyproject.toml
├── ...
- Fork the repository
- Create a feature branch
- Commit your changes
- Push to the branch
- Create a Pull Request
This project is licensed under the MIT License - see the LICENSE file for details.
本项目是一个基于多智能体（Multi-Agent）的 AI 对冲基金系统，采用模块化设计，每个代理（Agent）都有其专门的职责。系统的架构如下：
Market Data Analyst → [Technical/Fundamentals/Sentiment/Valuation Analyst] → Risk Manager → Portfolio Manager → Trading Decision
-
Market Data Analyst（市场数据分析师）
- 作为系统的入口点
- 负责收集和预处理所有必要的市场数据
- 将处理后的数据分发给其他分析师
- 数据来源：yfinance API 和模拟数据
-
Technical Analyst（技术分析师）
- 分析价格趋势、成交量、动量等技术指标
- 生成基于技术分析的交易信号
- 关注短期市场走势和交易机会
-
Fundamentals Analyst（基本面分析师）
- 分析公司财务指标和经营状况
- 评估公司的长期发展潜力
- 生成基于基本面的交易信号
-
Sentiment Analyst（情绪分析师）
- 分析内部交易数据
- 评估市场情绪和内部人士行为
- 生成基于情绪的交易信号
-
Valuation Analyst（估值分析师）
- 进行公司估值分析
- 评估股票的内在价值
- 生成基于估值的交易信号
-
Risk Manager（风险管理员）
- 整合所有分析师的交易信号
- 评估潜在风险
- 设定交易限制和风险控制参数
- 生成风险管理信号
-
Portfolio Manager（投资组合管理员）
- 作为最终决策者
- 综合考虑所有信号和风险因素
- 做出最终的交易决策（买入/卖出/持有）
- 确保决策符合风险管理要求
-
市场价格数据
{ "date": "YYYY-MM-DD", "open": float, "high": float, "low": float, "close": float, "volume": int } -
财务指标数据
{ "market_cap": float, "pe_ratio": float, "price_to_book": float, "dividend_yield": float, "revenue": float, "net_income": float, # ... 更多财务指标 } -
财务项目数据
{ "free_cash_flow": float, "net_income": float, "depreciation_and_amortization": float, "capital_expenditure": float, "working_capital": float } -
内部交易数据
{ "transaction_shares": int, # 正数表示买入，负数表示卖出 "transaction_type": str, # "BUY" 或 "SELL" "value": float, # 交易总价值 "date": "YYYY-MM-DD" # 交易日期 }
-
数据采集阶段
- Market Data Analyst 从 yfinance 获取实时市场数据
- 对于无法获取的数据（如内部交易），使用模拟数据
- 数据经过预处理和格式化
-
分析阶段
- 四个专业分析师并行工作
- 每个分析师根据自己的专业领域分析数据
- 生成相应的交易信号
-
风险评估阶段
- Risk Manager 接收并整合所有分析信号
- 评估潜在风险和收益
- 设定交易限制
-
决策阶段
- Portfolio Manager 接收风险管理信号
- 综合评估所有信息
- 做出最终交易决策
-
信息共享
- 所有代理共享同一个状态对象（AgentState）
- 通过消息传递机制进行通信
- 每个代理都可以访问必要的历史数据
-
决策权重 Portfolio Manager 在做决策时考虑不同信号的权重：
- 估值分析：35%
- 基本面分析：30%
- 技术分析：25%
- 情绪分析：10%
-
风险控制
- 强制性风险限制
- 最大持仓限制
- 交易规模限制
- 止损和止盈设置
-
模块化设计
- 每个代理都是独立的模块
- 易于维护和升级
- 可以单独测试和优化
-
可扩展性
- 可以轻松添加新的分析师
- 支持添加新的数据源
- 可以扩展决策策略
-
风险管理
- 多层次的风险控制
- 实时风险评估
- 自动止损机制
-
智能决策
- 基于多维度分析
- 考虑多个市场因素
- 动态调整策略
# 运行交易决策（以 AAPL 为例）
poetry run python src/main.py --ticker AAPL --show-reasoning
# 生成模拟数据
poetry run python src/tools/generate_mock_data.py-
数据源扩展
- 添加更多实时数据源
- 接入真实的内部交易数据
- 增加市场新闻和社交媒体数据
-
功能增强
- 添加更多技术指标
- 实现自动化回测
- 支持多股票组合管理
-
性能优化
- 提高数据处理效率
- 优化决策算法
- 增加并行处理能力