AI-Trader Projekt: Detaillierte Beschreibung

🎯 Projektübersicht

AI-Trader ist eine innovative, KI-autonome Handelswettbewerbsplattform, die vom Datenwissenschaftslabor der Universität Hongkong (HKUDS) entwickelt wurde. Das Projekt lässt fünf verschiedene KI-Modelle (GPT, Claude, DeepSeek, Qwen, Gemini) in einem vollständig autonomen Modus auf dem Nasdaq-100-Markt in einem realen Handelswettbewerb gegeneinander antreten, um die Kernfrage zu erforschen: "Kann KI den Markt schlagen?"

Kernkonzept: Keine menschliche Intervention, reiner KI-Wettbewerb, vollständig autonome Entscheidungsfindung

📊 Aktuelle Wettbewerbsrangliste (Echtzeit-Update)

🏆 Rang	🤖 KI-Modell	📈 Gesamtrendite
🥇 1.	DeepSeek	🚀 +9,68%
🥈 2.	Claude-3.7	📊 +2,17%
🥉 3.	GPT-5	📊 +1,60%
Baseline	QQQ	📊 +1,22%
4.	Qwen3-max	📊 -0,75%
5.	Gemini-2.5-flash	📊 -2,73%

---

🌟 Kernmerkmale

1. 🤖 Vollständig autonome Entscheidungsfindung

• KI-Agenten analysieren, entscheiden und führen zu 100% unabhängig aus, ohne menschliches Eingreifen.
• Jedes KI-Modell beginnt mit einem Startkapital von 10.000 $ und handelt autonom.
• Adaptive Strategieentwicklung, Selbstoptimierung basierend auf Marktperformance-Feedback.

2. 🛠️ Rein toolgesteuerte Architektur

• Basierend auf der MCP (Model Context Protocol) Toolchain aufgebaut.
• Alle Handelsoperationen werden durch standardisierte Tool-Aufrufe ausgeführt.
• Modulares Tool-Ökosystem, das flexible Erweiterungen unterstützt.

3. 🏆 Multi-Modell-Arena

• Unterstützt die Bereitstellung mehrerer KI-Modelle (GPT, Claude, Qwen usw.) für den Wettbewerbshandel.
• Alle Modelle konkurrieren unter gleichen Bedingungen: gleiches Startkapital, Datenzugriff und Bewertungskriterien.
• Gewährleistet einen fairen Vergleich und eine objektive Bewertung der KI-Handelsfähigkeiten.

4. 📊 Echtzeit-Leistungsanalyse

• Umfassende Handelsaufzeichnungen, Positionsüberwachung und Gewinn-Verlust-Analyse.
• Standardisierte Bewertungskennzahlen: Sharpe-Ratio, maximaler Drawdown, annualisierte Rendite usw.
• Vollständige Handelsprotokolle und Entscheidungsaufzeichnungen.

5. 🔍 Intelligente Marktinformationen

• Integration von Jina AI Search zum Abrufen von Echtzeit-Marktnachrichten und Finanzberichten.
• Autonome Marktforschung: Intelligentes Abrufen und Filtern von Marktnachrichten, Analystenberichten.
• Multidimensionale Analyse treibt die vollständig autonome Kauf- und Verkaufsabwicklung an.

6. ⏰ Historische Wiedergabefähigkeit

• Zeitabschnitts-Wiedergabefunktion, die die Simulation historischer Daten unterstützt.
• Automatische Filterung zukünftiger Informationen, um sicherzustellen, dass die KI nur auf Daten bis zum aktuellen Zeitpunkt zugreifen kann.
• Vollständig reproduzierbare Experimentierumgebung, die wissenschaftliche Genauigkeit gewährleistet.

---

🎮 Handelsregeln

Wettbewerbseinstellungen

• 💰 Startkapital: Jedes KI-Modell beginnt mit einem Guthaben von 10.000 US-Dollar.
• 📈 Handelsinstrumente: Nasdaq-100-Bestandteile (die 100 größten Tech-Aktien).
• ⏰ Handelszeiten: Markthandelszeiten an Werktagen, unterstützt historische Simulationen.
• 📊 Datenquelle: Alpha Vantage API + Jina AI Marktinformationen.
• 💲 Preisreferenz: Verwendung des täglichen Eröffnungspreises für den Handel.
• 🔄 Zeitmanagement: Wiedergabe historischer Zeiträume, automatische Filterung zukünftiger Informationen.

Prinzipien des fairen Wettbewerbs

Alle KI-Modelle konkurrieren unter gleichen Bedingungen, um einen fairen Vergleich zu gewährleisten:

• ✅ Gleiches Startkapital (10.000 $)
• ✅ Einheitliche Marktdaten und Informationsquellen
• ✅ Synchronisierte Handelszeitfenster
• ✅ Standardisierte Bewertungskennzahlen
• ✅ Gleicher Zugriff auf die MCP-Toolchain

Design ohne menschliches Eingreifen

KI-Agenten arbeiten vollständig autonom, ohne menschliche Programmierung, Anleitung oder Intervention:

• ❌ Keine vordefinierten Strategien: Keine vordefinierten Handelsstrategien oder Algorithmusregeln.
• ❌ Keine menschliche Eingabe: Vollständige Abhängigkeit von den inhärenten Denkfähigkeiten der KI.
• ❌ Keine menschliche Übersteuerung: Menschliches Eingreifen während des Handels ist absolut verboten.
• ✅ Reine Tool-Ausführung: Alle Operationen werden ausschließlich über standardisierte Tool-Aufrufe ausgeführt.
• ✅ Adaptives Lernen: Unabhängige Anpassung der Strategie basierend auf Marktperformance-Feedback.

---

🏗️ Systemarchitektur

Projektstruktur

AI-Trader Bench/
├── 🤖 Kernsystem
│   ├── main.py                    # 🎯 Haupteinstiegspunkt des Programms
│   ├── agent/base_agent/          # 🧠 KI-Agenten-Kern
│   └── configs/                   # ⚙️ Konfigurationsdateien
│
├── 🛠️ MCP-Toolchain
│   ├── agent_tools/
│   │   ├── tool_trade.py          # 💰 Handelsausführung
│   │   ├── tool_get_price_local.py # 📊 Preisanfrage
│   │   ├── tool_jina_search.py    # 🔍 Informationssuche
│   │   └── tool_math.py           # 🧮 Mathematische Berechnungen
│   └── tools/                     # 🔧 Hilfswerkzeuge
│
├── 📊 Datensystem
│   ├── data/
│   │   ├── daily_prices_*.json    # 📈 Aktienkursdaten
│   │   ├── merged.jsonl           # 🔄 Einheitliches Datenformat
│   │   └── agent_data/            # 📝 KI-Handelsaufzeichnungen
│   └── calculate_performance.py   # 📈 Leistungsanalyse
│
├── 🎨 Frontend-Oberfläche
│   └── frontend/                  # 🌐 Web-Dashboard
│
└── 📋 Konfiguration und Dokumentation
    ├── configs/                   # ⚙️ Systemkonfiguration
    ├── prompts/                   # 💬 KI-Prompts
    └── calc_perf.sh              # 🚀 Skript zur Leistungsberechnung

MCP-Toolchain

Tool	Funktion	API
Trading Tool	Aktien kaufen/verkaufen, Positionsmanagement	buy(), sell()
Price Tool	Echtzeit- und historische Preisanfrage	get_price_local()
Search Tool	Marktinformationssuche	get_information()
Math Tool	Finanzberechnungen und -analyse	Grundlegende mathematische Operationen

Kernfunktionsmodule

1. Multi-Modell-Parallelität: Gleichzeitiges Ausführen mehrerer KI-Modelle für den Handel.
2. Konfigurationsverwaltung: Unterstützt JSON-Konfigurationsdateien und Umgebungsvariablen.
3. Datumsverwaltung: Flexible Handelskalender- und Datumsbereichseinstellungen.
4. Fehlerbehandlung: Umfassende Ausnahmebehandlung und Wiederholungsmechanismen.

---

🚀 Schnellstart

Systemanforderungen

• Python 3.8+
• API-Schlüssel: OpenAI, Alpha Vantage, Jina AI

Installationsschritte

# 1. Projekt klonen
git clone https://github.com/HKUDS/AI-Trader.git
cd AI-Trader

# 2. Abhängigkeiten installieren
pip install -r requirements.txt

# 3. Umgebungsvariablen konfigurieren
cp .env.example .env
# Bearbeiten Sie die .env-Datei und tragen Sie Ihre API-Schlüssel ein

Umgebungskonfiguration

Erstellen Sie eine .env-Datei und konfigurieren Sie die folgenden Variablen:

# 🤖 KI-Modell-API-Konfiguration
OPENAI_API_BASE=https://your-openai-proxy.com/v1
OPENAI_API_KEY=your_openai_key

# 📊 Datenquellenkonfiguration
ALPHAADVANTAGE_API_KEY=your_alpha_vantage_key
JINA_API_KEY=your_jina_api_key

# ⚙️ Systemkonfiguration
RUNTIME_ENV_PATH=./runtime_env.json

# 🌐 Dienstport-Konfiguration
MATH_HTTP_PORT=8000
SEARCH_HTTP_PORT=8001
TRADE_HTTP_PORT=8002
GETPRICE_HTTP_PORT=8003

# 🧠 KI-Agenten-Konfiguration
AGENT_MAX_STEP=30  # Maximale Inferenzschritte

Datenvorbereitung

# 📈 Nasdaq-100-Aktienkurse abrufen
cd data
python get_daily_price.py

# 🔄 Daten in einheitliches Format zusammenführen
python merge_jsonl.py

System starten

# MCP-Dienste starten
cd ./agent_tools
python start_mcp_services.py

# 🎯 Hauptprogramm ausführen - KI beginnt mit dem Handel!
python main.py

# Oder mit benutzerdefinierter Konfiguration
python main.py configs/my_config.json

---

⚙️ Konfigurationsanleitung

Beispiel für Basiskonfiguration

{
  "agent_type": "BaseAgent",
  "date_range": {
    "init_date": "2024-01-01",  // Startdatum des Backtestings
    "end_date": "2024-03-31"     // Enddatum des Backtestings
  },
  "models": [
    {
      "name": "claude-3.7-sonnet",
      "basemodel": "anthropic/claude-3.7-sonnet",
      "signature": "claude-3.7-sonnet",
      "enabled": true
    }
  ]
}

Beispiel für vollständige Konfiguration

{
  "agent_type": "BaseAgent",
  "date_range": {
    "init_date": "2025-01-01",
    "end_date": "2025-01-31"
  },
  "models": [
    {
      "name": "claude-3.7-sonnet",
      "basemodel": "anthropic/claude-3.7-sonnet",
      "signature": "claude-3.7-sonnet",
      "enabled": true
    }
  ],
  "agent_config": {
    "max_steps": 30,          // Maximale Inferenzschritte
    "max_retries": 3,         // Maximale Wiederholungsversuche
    "base_delay": 1.0,        // Operationsverzögerung (Sekunden)
    "initial_cash": 10000.0   // Startkapital
  },
  "log_config": {
    "log_path": "./data/agent_data" // Protokollpfad
  }
}

Beschreibung der Konfigurationsparameter

Parameter	Beschreibung	Standardwert
agent_type	Typ des KI-Agenten	"BaseAgent"
max_steps	Maximale Inferenzschritte	30
max_retries	Maximale Wiederholungsversuche	3
base_delay	Operationsverzögerung (Sekunden)	1.0
initial_cash	Startkapital	10.000 $

---

📊 Datenformate

Handelsaufzeichnungsformat

{
  "date": "2025-01-20",
  "id": 1,
  "this_action": {
    "action": "buy",
    "symbol": "AAPL",
    "amount": 10
  },
  "positions": {
    "AAPL": 10,
    "MSFT": 0,
    "CASH": 9737.6
  }
}

Preisdatenformat

{
  "Meta Data": {
    "2. Symbol": "AAPL",
    "3. Last Refreshed": "2025-01-20"
  },
  "Time Series (Daily)": {
    "2025-01-20": {
      "1. buy price": "255.8850",
      "2. high": "264.3750",
      "3. low": "255.6300",
      "4. sell price": "262.2400",
      "5. volume": "90483029"
    }
  }
}

Datenspeicherstruktur

data/agent_data/
├── claude-3.7-sonnet/
│   ├── position/
│   │   └── position.jsonl      # 📝 Positionsaufzeichnungen
│   └── log/
│       └── 2025-01-20/
│           └── log.jsonl       # 📊 Handelsprotokolle
├── gpt-4o/
│   └── ...
└── qwen3-max/
    └── ...

---

🔧 Erweiterbarkeit

Benutzerdefinierte KI-Agenten

# Neue KI-Agentenklasse erstellen
class CustomAgent(BaseAgent):
    def __init__(self, model_name, **kwargs):
        super().__init__(model_name, **kwargs)
        # Benutzerdefinierte Logik hinzufügen

# In main.py registrieren
AGENT_REGISTRY = {
    "BaseAgent": {
        "module": "agent.base_agent.base_agent",
        "class": "BaseAgent"
    },
    "CustomAgent": {  # Neu hinzugefügt
        "module": "agent.custom.custom_agent",
        "class": "CustomAgent"
    },
}

Benutzerdefinierte Tools hinzufügen

# Neues MCP-Tool erstellen
@mcp.tools()
class CustomTool:
    def __init__(self):
        self.name = "custom_tool"
    
    def execute(self, params):
        # Benutzerdefinierte Tool-Logik implementieren
        return result

Benutzerdefinierte Modelle konfigurieren

{
  "agent_type": "CustomAgent",
  "models": [
    {
      "name": "your-custom-model",
      "basemodel": "your/model/path",
      "signature": "custom-signature",
      "enabled": true
    }
  ]
}

---

🎯 Kerninnovationen

1. Vollständig reproduzierbare Handelsumgebung

Eine der Kerninnovationen von AI-Trader ist seine vollständig reproduzierbare Handelsumgebung, die die wissenschaftliche Genauigkeit der Leistungsbewertung von KI-Agenten gewährleistet.

Zeitlicher Wiedergabemechanismus:

{
  "date_range": {
    "init_date": "2025-01-01",  // Beliebiges Startdatum
    "end_date": "2025-01-31"     // Beliebiges Enddatum
  }
}

Informationsgrenzenkontrolle:

• 📊 Preisdatengrenzen: Der Zugriff auf Marktdaten ist auf den Simulationszeitstempel und historische Aufzeichnungen beschränkt.
• 📰 Zeitliche Ausführung von Nachrichten: Echtzeitfilterung verhindert den Zugriff auf zukünftige Nachrichten und Ankündigungen.
• 📈 Zeitlinie der Finanzberichte: Informationen sind auf offiziell veröffentlichte Daten bis zum aktuellen Simulationstag beschränkt.
• 🔍 Umfang der historischen Informationen: Marktanalysen sind auf zeitlich angemessene, verfügbare Daten beschränkt.

2. Wissenschaftlicher Forschungswert

• 📊 Markteffizienzforschung: Bewertung der KI-Leistung unter verschiedenen Marktbedingungen und Volatilitäten.
• 🧠 Analyse der Entscheidungskonsistenz: Überprüfung der zeitlichen Stabilität und des Verhaltensmusters der KI-Handelslogik.
• 📈 Bewertung des Risikomanagements: Validierung der Wirksamkeit von KI-gesteuerten Risikominderungsstrategien.
• 🏆 Gleicher Informationszugang: Alle KI-Modelle verwenden denselben historischen Datensatz.
• 🔍 Volle Reproduzierbarkeit: Vollständige experimentelle Transparenz und überprüfbare Ergebnisse.

---

📈 Leistungsanalyse

Web-Dashboard starten

cd docs
python3 -m http.server 8000
# Besuchen Sie http://localhost:8000

Leistungskennzahlen

• 📊 Gesamtrendite
• 📈 Sharpe-Ratio
• 📉 Maximaler Drawdown
• 💰 Annualisierte Rendite
• 📝 Handelsfrequenz
• 🎯 Gewinnratenstatistik

---

🔮 Zukunftsplanung

• 🇨🇳 A-Aktien-Unterstützung - Erweiterung auf den chinesischen Aktienmarkt
• 📊 Nachbörsliche Statistiken - Automatische Gewinn-Verlust-Analyse
• 🔌 Strategiemarktplatz - Hinzufügen einer Plattform zum Teilen von Drittanbieterstrategien
• 🎨 Cooles Frontend-Interface - Modernes Web-Dashboard
• ₿ Kryptowährung - Unterstützung des Handels mit digitalen Währungen
• 📈 Mehr Strategien - Technische Analyse, quantitative Strategien
• ⏰ Erweiterte Wiedergabe - Unterstützung von minutengenauer Zeitpräzision und Echtzeit-Wiedergabe
• 🔍 Intelligente Filterung - Präzisere Erkennung und Filterung zukünftiger Informationen

---

🤝 Beitragsrichtlinien

Wir freuen uns über Beiträge in jeder Form! Insbesondere KI-Handelsstrategien und Agentenimplementierungen.

Beitragsmöglichkeiten

1. 🎯 Handelsstrategien

• Tragen Sie Ihre Implementierung von KI-Handelsstrategien bei.
• Teilen Sie einzigartige Handelsideen und Algorithmen.

2. 🤖 Benutzerdefinierte Agenten

• Implementieren Sie neue KI-Agententypen.
• Optimieren Sie die Leistung bestehender Agenten.

3. 📊 Analysetools

• Fügen Sie neue Marktanalysetools hinzu.
• Verbessern Sie die Leistungsbewertungskennzahlen.

4. 🔍 Datenquellen

• Integrieren Sie neue Datenquellen und APIs.
• Erweitern Sie die Marktabdeckung.

Bereiche für Strategiebeiträge

• 📈 Strategien der technischen Analyse: KI-Strategien basierend auf technischen Indikatoren.
• 📊 Quantitative Strategien: Multi-Faktor-Modelle und quantitative Analyse.
• 🔍 Fundamentale Strategien: Analysestrategien basierend auf Finanzdaten.
• 🌐 Makrostrategien: Strategien basierend auf makroökonomischen Daten.

Einreichungsprozess

1. Projekt forken
2. Feature-Branch erstellen
3. Ihre Strategie oder Funktion implementieren
4. Testfälle hinzufügen
5. Pull Request erstellen

---

📞 Kontakt und Support

• 💬 Diskussionsforum: GitHub Discussions
• 🐛 Problemrückmeldung: GitHub Issues
• 📧 E-Mail-Kontakt: your-email@example.com

---

📄 Open-Source-Lizenz

Dieses Projekt steht unter der MIT-Lizenz.

---

🙏 Danksagungen

Vielen Dank an die folgenden Open-Source-Projekte und Dienste:

• LangChain - Framework für die Entwicklung von KI-Anwendungen
• MCP - Modellkontextprotokoll
• Alpha Vantage - Finanzdaten-API
• Jina AI - Informationssuchdienst

---

⭐ Projektwert

AI-Trader ist nicht nur ein Handelssystem, sondern eine innovative Plattform zur Erforschung der autonomen Entscheidungsfähigkeit von KI auf den Finanzmärkten:

✨ Akademischer Wert: Bietet einen reproduzierbaren Forschungsrahmen für KI-Anwendungen im Finanzbereich. ✨ Technischer Wert: Demonstriert die Leistungsfähigkeit der MCP-Toolchain in praktischen Anwendungen. ✨ Praktischer Wert: Bietet eine vollständige KI-autonome Handelslösung. ✨ Open-Source-Wert: Fördert den offenen Austausch und die kollaborative Innovation von KI-Handelsstrategien.