Home
Login
virattt/ai-hedge-fundPlease refer to the latest official releases for information GitHub Homepage

KI-basierter konzeptioneller Hedgefonds, der Investitionsentscheidungen mit einem Multi-Agenten-System simuliert

Python 37.0kviratttai-hedge-fund Last Updated: 2025-06-23

AI Hedge Fund – Detaillierte Projektbeschreibung

Projektübersicht

AI Hedge Fund ist ein konzeptionelles, auf künstlicher Intelligenz basierendes Hedgefonds-Projekt, das darauf abzielt, die Anwendung von KI-Technologien für Handelsentscheidungen zu untersuchen. Es handelt sich um ein Projekt, das ausschließlich Bildungs- und Forschungszwecken dient und nicht für tatsächliche Handels- oder Investitionstätigkeiten verwendet wird.

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

Kernmerkmale

Multi-Agenten-Architektur

Das Projekt verwendet ein Multi-Agenten-System, wobei jeder Agent die Anlagephilosophien und -strategien bekannter Investoren aus der realen Welt simuliert:

Investment-Guru-Agenten
  • Ben Graham Agent - Vater des Value Investing, konzentriert sich auf die Suche nach versteckten Juwelen mit Sicherheitsmarge
  • Bill Ackman Agent - Aktivistischer Investor, nimmt mutige Positionen ein und treibt Veränderungen voran
  • Cathie Wood Agent - Königin des Growth Investing, glaubt an Innovation und disruptive Kräfte
  • Charlie Munger Agent - Warrens Buffett's Partner, kauft nur preiswerte, exzellente Unternehmen
  • Michael Burry Agent - Konträrer Investor aus "The Big Short", sucht nach tiefem Wert
  • Peter Lynch Agent - Pragmatischer Investor, sucht nach "Tenbaggern" im täglichen Geschäft
  • Phil Fisher Agent - Akribischer Growth-Investor, verwendet detaillierte "Scuttlebutt"-Recherche
  • Stanley Druckenmiller Agent - Makro-Legende, sucht nach asymmetrischen Chancen mit Wachstumspotenzial
  • Warren Buffett Agent - Orakel von Omaha, sucht nach preiswerten, exzellenten Unternehmen
Analyse-Agenten
  • Valuation Agent - Berechnet den inneren Wert von Aktien und generiert Handelssignale
  • Sentiment Agent - Analysiert die Marktstimmung und generiert Handelssignale
  • Fundamentals Agent - Analysiert fundamentale Daten und generiert Handelssignale
  • Technicals Agent - Analysiert technische Indikatoren und generiert Handelssignale
Management-Agenten
  • Risk Manager - Berechnet Risikokennzahlen und legt Positionsbeschränkungen fest
  • Portfolio Manager - Trifft endgültige Handelsentscheidungen und generiert Aufträge

Technische Architektur

Systemanforderungen

  • Python 3.x
  • Poetry (Abhängigkeitsmanagement)
  • Docker (optional)

Hauptabhängigkeiten

Das Projekt verwendet mehrere API-Dienste:

  • OpenAI API - Ausführung von GPT-4o, GPT-4o-mini usw.
  • Groq API - Ausführung von DeepSeek, Llama3 usw.
  • Financial Datasets API - Abrufen von Finanzdaten
  • Anthropic API - Claude-Modellunterstützung
  • DeepSeek API - DeepSeek-Modellunterstützung

Projektstruktur

ai-hedge-fund/
├── src/
│   ├── agents/              # Agentendefinitionen und Workflows
│   │   ├── bill_ackman.py   # Bill Ackman Agent
│   │   ├── fundamentals.py  # Fundamentalanalyse Agent
│   │   ├── portfolio_manager.py # Portfoliomanagement Agent
│   │   ├── risk_manager.py  # Risikomanagement Agent
│   │   ├── sentiment.py     # Stimmungsanalyse Agent
│   │   ├── technicals.py    # Technische Analyse Agent
│   │   ├── valuation.py     # Bewertungsanalyse Agent
│   │   └── warren_buffett.py # Warren Buffett Agent
│   ├── tools/               # Agentenwerkzeuge
│   │   └── api.py          # API-Werkzeug
│   ├── backtester.py       # Backtesting-Werkzeug
│   └── main.py             # Haupteinstiegspunkt
├── pyproject.toml
└── ...

Installation und Verwendung

Lokale Installation

  1. Repository klonen
git clone https://github.com/virattt/ai-hedge-fund.git
cd ai-hedge-fund
  1. Poetry installieren
curl -sSL https://install.python-poetry.org | python3 -
  1. Abhängigkeiten installieren
poetry install
  1. Umgebungsvariablen setzen
cp .env.example .env
  1. API-Schlüssel konfigurieren
# OpenAI API-Schlüssel
OPENAI_API_KEY=your-openai-api-key

# Groq API-Schlüssel
GROQ_API_KEY=your-groq-api-key

# Finanzdaten API-Schlüssel
FINANCIAL_DATASETS_API_KEY=your-financial-datasets-api-key

Docker-Installation

  1. Sicherstellen, dass Docker installiert ist
  2. Repository klonen (wie oben)
  3. Umgebungsvariablen setzen (wie oben)
  4. Docker-Image erstellen
# Linux/Mac
./run.sh build

# Windows
run.bat build

Ausführung

Grundlegende Ausführung

# Mit Poetry
poetry run python src/main.py --ticker AAPL,MSFT,NVDA

# Mit Docker (Linux/Mac)
./run.sh --ticker AAPL,MSFT,NVDA main

# Mit Docker (Windows)
run.bat --ticker AAPL,MSFT,NVDA main

Verwendung eines lokalen LLM

poetry run python src/main.py --ticker AAPL,MSFT,NVDA --ollama

Anzeige des Ableitungsprozesses

poetry run python src/main.py --ticker AAPL,MSFT,NVDA --show-reasoning

Angabe eines Zeitraums

poetry run python src/main.py --ticker AAPL,MSFT,NVDA --start-date 2024-01-01 --end-date 2024-03-01

Backtesting-Funktion

# Grundlegendes Backtesting
poetry run python src/backtester.py --ticker AAPL,MSFT,NVDA

# Backtesting mit angegebenem Zeitraum
poetry run python src/backtester.py --ticker AAPL,MSFT,NVDA --start-date 2024-01-01 --end-date 2024-03-01

# Backtesting mit lokalem LLM
poetry run python src/backtester.py --ticker AAPL,MSFT,NVDA --ollama

Datenunterstützung

Kostenlose Aktien

Die folgenden Aktiendaten werden kostenlos zur Verfügung gestellt, ohne dass ein API-Schlüssel erforderlich ist:

  • AAPL (Apple)
  • GOOGL (Google)
  • MSFT (Microsoft)
  • NVDA (Nvidia)
  • TSLA (Tesla)

Andere Aktien

Für andere Aktiensymbole muss FINANCIAL_DATASETS_API_KEY gesetzt werden.

Wichtiger Hinweis

Bildungszwecke

  • Nur für Bildungs- und Forschungszwecke
  • Nicht für tatsächliche Handels- oder Investitionstätigkeiten
  • Keine Garantien oder Gewährleistungen
  • Vergangene Performance ist keine Garantie für zukünftige Ergebnisse
  • Die Ersteller übernehmen keine Haftung für finanzielle Verluste
  • Bitte konsultieren Sie einen Finanzberater für Anlageentscheidungen

Simulierte Transaktionen

Das System simuliert lediglich Handelsentscheidungen und führt keine tatsächlichen Handelsoperationen durch.

Leitfaden für Beiträge

  1. Repository forken
  2. Feature-Branch erstellen
  3. Änderungen committen
  4. In den Branch pushen
  5. Pull Request erstellen

Hinweis: Bitte halten Sie Pull Requests klein und fokussiert, um die Überprüfung und Zusammenführung zu erleichtern.

Funktionsanfragen

Für Funktionsanfragen öffnen Sie bitte ein Issue in GitHub Issues und markieren Sie es als enhancement.

Projektmerkmale

Innovationspunkte

  1. Multi-Agenten-Zusammenarbeit: Simuliert den Entscheidungsprozess eines echten Investmentteams
  2. Investment-Guru-Strategien: Integriert die Anlagephilosophien mehrerer Investmentlegenden
  3. Umfassende Analyse: Kombiniert technische Analyse, Fundamentalanalyse, Stimmungsanalyse und weitere Dimensionen
  4. Risikomanagement: Integrierte Risikokontrolle und Portfoliomanagementmechanismen
  5. Backtesting-Funktion: Unterstützt Backtesting mit historischen Daten zur Validierung der Strategieeffektivität

Bildungswert

  • Erlernen verschiedener Anlagestrategien und -philosophien
  • Verständnis der Anwendung von KI im Finanzbereich
  • Erforschung der Zusammenarbeitsmechanismen von Multi-Agenten-Systemen
  • Beherrschung der grundlegenden Konzepte des quantitativen Investierens

Dieses Projekt bietet Lernenden im Schnittbereich von KI und Finanzen eine hervorragende praktische Plattform, die durch die Simulation realer Anlageentscheidungsprozesse den Nutzern hilft, das Anwendungspotenzial moderner KI-Technologien bei Finanzinvestitionen zu verstehen.

Star History Chart