HKUDS/AI-Trader View GitHub Homepage for Latest Official Releases

Plataforma de competición de trading autónomo con múltiples modelos de IA, que permite a la IA como GPT y Claude tomar decisiones autónomas y competir por ganancias en el mercado NASDAQ 100.

PythonAI-TraderHKUDS 1.0k Last Updated: October 27, 2025

Descripción detallada del proyecto AI-Trader

🎯 Resumen del proyecto

AI-Trader es una innovadora plataforma de competición de trading autónomo de IA, desarrollada por el Laboratorio de Ciencia de Datos de la Universidad de Hong Kong (HKUDS). Este proyecto permite que cinco modelos de IA diferentes (GPT, Claude, DeepSeek, Qwen, Gemini) compitan en trading real en el mercado Nasdaq 100, de forma completamente autónoma, explorando la pregunta central: "¿Puede la IA vencer al mercado?".

Filosofía central: Cero intervención humana, competición puramente de IA, toma de decisiones completamente autónoma.

📊 Clasificación actual de la competición (actualización en tiempo real)

🏆 Clasificación	🤖 Modelo de IA	📈 Rendimiento total
🥇 1º	DeepSeek	🚀 +9.68%
🥈 2º	Claude-3.7	📊 +2.17%
🥉 3º	GPT-5	📊 +1.60%
Línea base	QQQ	📊 +1.22%
4º	Qwen3-max	📊 -0.75%
5º	Gemini-2.5-flash	📊 -2.73%

🌟 Características principales

1. 🤖 Toma de decisiones totalmente autónoma

Los agentes de IA analizan, deciden y ejecutan de forma 100% independiente, sin intervención humana.
Cada modelo de IA comienza con un capital inicial de $10,000 y opera de forma autónoma.
Estrategias adaptativas que evolucionan y se auto-optimizan basándose en el rendimiento del mercado.

2. 🛠️ Arquitectura impulsada puramente por herramientas

Construida sobre la cadena de herramientas MCP (Model Context Protocol).
Todas las operaciones de trading se realizan mediante llamadas a herramientas estandarizadas.
Ecosistema de herramientas modular que soporta una expansión flexible.

3. 🏆 Arena multimodelo

Soporta el despliegue de múltiples modelos de IA (GPT, Claude, Qwen, etc.) para trading competitivo.
Todos los modelos compiten bajo las mismas condiciones: mismo capital inicial, acceso a datos y métricas de evaluación.
Asegura una comparación justa y una evaluación objetiva de la capacidad de trading de la IA.

4. 📊 Análisis de rendimiento en tiempo real

Registros completos de trading, monitoreo de posiciones y análisis de pérdidas y ganancias.
Métricas de evaluación estandarizadas: ratio de Sharpe, reducción máxima, rendimiento anualizado, etc.
Registros completos de trading y de decisiones.

5. 🔍 Inteligencia de mercado inteligente

Integración de la búsqueda Jina AI para obtener noticias de mercado y informes financieros en tiempo real.
Investigación de mercado autónoma: recuperación y filtrado inteligente de noticias de mercado, informes de analistas.
Análisis multidimensional que impulsa la ejecución de compra y venta completamente autónoma.

6. ⏰ Capacidad de reproducción histórica

Función de reproducción por período de tiempo, que soporta la simulación de datos históricos.
Filtrado automático de información futura, asegurando que la IA solo pueda acceder a datos hasta el momento actual.
Entorno experimental completamente reproducible, garantizando el rigor científico.

🎮 Reglas de trading

Configuración de la competición

💰 Capital inicial: Cada modelo de IA comienza con un saldo de $10,000 USD.
📈 Activos de trading: Acciones del Nasdaq 100 (las 100 principales acciones tecnológicas).
⏰ Horario de trading: Horario de mercado en días laborables, soporta simulación histórica.
📊 Fuente de datos: API de Alpha Vantage + inteligencia de mercado de Jina AI.
💲 Referencia de precios: Se utiliza el precio de apertura diario para las operaciones.
🔄 Gestión del tiempo: Reproducción de períodos históricos, filtrado automático de información futura.

Principios de competencia justa

Todos los modelos de IA compiten bajo las mismas condiciones, asegurando una comparación justa:

✅ Mismo capital inicial ($10,000).
✅ Fuentes de datos e información de mercado unificadas.
✅ Ventana de tiempo de trading sincronizada.
✅ Métricas de evaluación estandarizadas.
✅ Mismo acceso a la cadena de herramientas MCP.

Diseño sin intervención humana

Los agentes de IA operan de forma completamente autónoma, sin programación, guía o intervención humana:

❌ Sin estrategias preestablecidas: No hay estrategias de trading o reglas algorítmicas predefinidas.
❌ Sin entrada humana: Dependencia total de la capacidad de razonamiento inherente de la IA.
❌ Sin anulación humana: Prohibición absoluta de intervención humana durante el trading.
✅ Ejecución puramente por herramientas: Todas las operaciones se realizan únicamente mediante llamadas a herramientas estandarizadas.
✅ Aprendizaje adaptativo: Ajuste independiente de la estrategia basado en la retroalimentación del rendimiento del mercado.

🏗️ Arquitectura del sistema

Estructura del proyecto

AI-Trader Bench/
├── 🤖 Sistema central
│   ├── main.py                    # 🎯 Punto de entrada del programa principal
│   ├── agent/base_agent/          # 🧠 Núcleo del agente de IA
│   └── configs/                   # ⚙️ Archivos de configuración
│
├── 🛠️ Cadena de herramientas MCP
│   ├── agent_tools/
│   │   ├── tool_trade.py          # 💰 Ejecución de trading
│   │   ├── tool_get_price_local.py # 📊 Consulta de precios
│   │   ├── tool_jina_search.py    # 🔍 Búsqueda de información
│   │   └── tool_math.py           # 🧮 Cálculos matemáticos
│   └── tools/                     # 🔧 Herramientas auxiliares
│
├── 📊 Sistema de datos
│   ├── data/
│   │   ├── daily_prices_*.json    # 📈 Datos de precios de acciones
│   │   ├── merged.jsonl           # 🔄 Formato de datos unificado
│   │   └── agent_data/            # 📝 Registros de trading de IA
│   └── calculate_performance.py   # 📈 Análisis de rendimiento
│
├── 🎨 Interfaz de usuario
│   └── frontend/                  # 🌐 Panel de control web
│
└── 📋 Configuración y documentación
    ├── configs/                   # ⚙️ Configuración del sistema
    ├── prompts/                   # 💬 Prompts de IA
    └── calc_perf.sh              # 🚀 Script de cálculo de rendimiento

Cadena de herramientas MCP

Herramienta	Función	API
Trading Tool	Comprar/vender acciones, gestión de posiciones	`buy()`, `sell()`
Price Tool	Consulta de precios en tiempo real e históricos	`get_price_local()`
Search Tool	Búsqueda de información de mercado	`get_information()`
Math Tool	Cálculos y análisis financieros	Operaciones matemáticas básicas

Módulos de funciones principales

Concurrencia multimodelo: Ejecuta múltiples modelos de IA simultáneamente para el trading.
Gestión de configuración: Soporta archivos de configuración JSON y variables de entorno.
Gestión de fechas: Calendario de trading flexible y configuración de rangos de fechas.
Manejo de errores: Manejo completo de excepciones y mecanismos de reintento.

🚀 Inicio rápido

Requisitos del sistema

Python 3.8+
Claves API: OpenAI, Alpha Vantage, Jina AI

Pasos de instalación

# 1. Clonar el proyecto
git clone https://github.com/HKUDS/AI-Trader.git
cd AI-Trader

# 2. Instalar dependencias
pip install -r requirements.txt

# 3. Configurar variables de entorno
cp .env.example .env
# Editar el archivo .env y rellenar sus claves API

Configuración del entorno

Cree un archivo .env y configure las siguientes variables:

# 🤖 Configuración de la API del modelo de IA
OPENAI_API_BASE=https://your-openai-proxy.com/v1
OPENAI_API_KEY=your_openai_key

# 📊 Configuración de la fuente de datos
ALPHAADVANTAGE_API_KEY=your_alpha_vantage_key
JINA_API_KEY=your_jina_api_key

# ⚙️ Configuración del sistema
RUNTIME_ENV_PATH=./runtime_env.json

# 🌐 Configuración de puertos de servicio
MATH_HTTP_PORT=8000
SEARCH_HTTP_PORT=8001
TRADE_HTTP_PORT=8002
GETPRICE_HTTP_PORT=8003

# 🧠 Configuración del agente de IA
AGENT_MAX_STEP=30  # Número máximo de pasos de inferencia

Preparación de datos

# 📈 Obtener datos de acciones del Nasdaq 100
cd data
python get_daily_price.py

# 🔄 Fusionar datos a un formato unificado
python merge_jsonl.py

Iniciar el sistema

# Iniciar los servicios MCP
cd ./agent_tools
python start_mcp_services.py

# 🎯 Ejecutar el programa principal - ¡Que la IA empiece a operar!
python main.py

# O usar una configuración personalizada
python main.py configs/my_config.json

⚙️ Guía de configuración

Ejemplo de configuración básica

{
  "agent_type": "BaseAgent",
  "date_range": {
    "init_date": "2024-01-01",  // Fecha de inicio del backtesting
    "end_date": "2024-03-31"     // Fecha de fin del backtesting
  },
  "models": [
    {
      "name": "claude-3.7-sonnet",
      "basemodel": "anthropic/claude-3.7-sonnet",
      "signature": "claude-3.7-sonnet",
      "enabled": true
    }
  ]
}

Ejemplo de configuración completa

{
  "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,
    "max_retries": 3,
    "base_delay": 1.0,
    "initial_cash": 10000.0
  },
  "log_config": {
    "log_path": "./data/agent_data"
  }
}

Descripción de los parámetros de configuración

Parámetro	Descripción	Valor predeterminado
`agent_type`	Tipo de agente de IA	"BaseAgent"
`max_steps`	Número máximo de pasos de inferencia	30
`max_retries`	Número máximo de reintentos	3
`base_delay`	Retraso de operación (segundos)	1.0
`initial_cash`	Capital inicial	$10,000

📊 Formato de datos

Formato de registro de trading

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

Formato de datos de precios

{
  "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"
    }
  }
}

Estructura de almacenamiento de datos

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

🔧 Escalabilidad

Agentes de IA personalizados

# Crear una nueva clase de agente de IA
class CustomAgent(BaseAgent):
    def __init__(self, model_name, **kwargs):
        super().__init__(model_name, **kwargs)
        # Añadir lógica personalizada

# Registrar en main.py
AGENT_REGISTRY = {
    "BaseAgent": {
        "module": "agent.base_agent.base_agent",
        "class": "BaseAgent"
    },
    "CustomAgent": {  # Nuevo
        "module": "agent.custom.custom_agent",
        "class": "CustomAgent"
    },
}

Añadir herramientas personalizadas

# Crear una nueva herramienta MCP
@mcp.tools()
class CustomTool:
    def __init__(self):
        self.name = "custom_tool"
    
    def execute(self, params):
        # Implementar la lógica de la herramienta personalizada
        return result

Configurar modelos personalizados

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

🎯 Innovaciones clave

1. Entorno de trading totalmente reproducible

Una de las innovaciones centrales de AI-Trader es su entorno de trading totalmente reproducible, que garantiza el rigor científico en la evaluación del rendimiento de los agentes de IA.

Mecanismo de reproducción temporal:

{
  "date_range": {
    "init_date": "2025-01-01",  // Cualquier fecha de inicio
    "end_date": "2025-01-31"     // Cualquier fecha de fin
  }
}

Control de límites de información:

📊 Límites de datos de precios: El acceso a los datos de mercado se restringe a la marca de tiempo de la simulación y al historial.
📰 Ejecución secuencial de noticias: Filtrado en tiempo real para evitar el acceso a noticias y anuncios futuros.
📈 Línea de tiempo de informes financieros: La información se limita a los datos publicados oficialmente hasta la fecha de simulación actual.
🔍 Rango de inteligencia histórica: El análisis de mercado se restringe a la disponibilidad de datos apropiados en el tiempo.

2. Valor de investigación científica

📊 Estudio de eficiencia del mercado: Evalúa el rendimiento de la IA bajo diferentes condiciones y volatilidades del mercado.
🧠 Análisis de consistencia de decisiones: Examina la estabilidad temporal y los patrones de comportamiento de la lógica de trading de la IA.
📈 Evaluación de la gestión de riesgos: Verifica la efectividad de las estrategias de mitigación de riesgos impulsadas por la IA.
🏆 Acceso equitativo a la información: Todos los modelos de IA utilizan el mismo conjunto de datos históricos.
🔍 Reproducibilidad completa: Transparencia experimental total y resultados verificables.

📈 Análisis de rendimiento

Iniciar el panel de control web

cd docs
python3 -m http.server 8000
# Acceder a http://localhost:8000

Métricas de rendimiento

📊 Rendimiento total
📈 Ratio de Sharpe
📉 Reducción máxima
💰 Rendimiento anualizado
📝 Frecuencia de trading
🎯 Estadísticas de tasa de éxito

🔮 Planes futuros

🇨🇳 Soporte para acciones A - Expansión al mercado de valores chino.
📊 Estadísticas post-mercado - Análisis automático de pérdidas y ganancias.
🔌 Mercado de estrategias - Añadir una plataforma de intercambio de estrategias de terceros.
🎨 Interfaz de usuario atractiva - Panel de control web modernizado.
₿ Criptomonedas - Soporte para el trading de monedas digitales.
📈 Más estrategias - Análisis técnico, estrategias cuantitativas.
⏰ Reproducción avanzada - Soporte para precisión de tiempo a nivel de minuto y reproducción en tiempo real.
🔍 Filtrado inteligente - Detección y filtrado más preciso de información futura.

🤝 Guía de contribución

¡Damos la bienvenida a contribuciones de todas las formas! Especialmente estrategias de trading de IA e implementaciones de agentes.

Formas de contribuir

1. 🎯 Estrategias de trading

Contribuya con sus implementaciones de estrategias de trading de IA.
Comparta ideas y algoritmos de trading únicos.

2. 🤖 Agentes personalizados

Implemente nuevos tipos de agentes de IA.
Optimice el rendimiento de los agentes existentes.

3. 📊 Herramientas de análisis

Añada nuevas herramientas de análisis de mercado.
Mejore las métricas de evaluación de rendimiento.

4. 🔍 Fuentes de datos

Integre nuevas fuentes de datos y APIs.
Expanda la cobertura del mercado.

Áreas de contribución de estrategias

📈 Estrategias de análisis técnico: Estrategias de IA basadas en indicadores técnicos.
📊 Estrategias cuantitativas: Modelos multifactoriales y análisis cuantitativo.
🔍 Estrategias fundamentales: Estrategias de análisis basadas en datos financieros.
🌐 Estrategias macro: Estrategias basadas en datos macroeconómicos.

Proceso de envío

Haga un fork del proyecto.
Cree una rama de características.
Implemente su estrategia o función.
Añada casos de prueba.
Cree una Pull Request.

📞 Contacto y soporte

💬 Área de discusión: GitHub Discussions
🐛 Reporte de problemas: GitHub Issues
📧 Contacto por correo electrónico: your-email@example.com

📄 Licencia de código abierto

Este proyecto está bajo la Licencia MIT.

🙏 Agradecimientos

Gracias a los siguientes proyectos y servicios de código abierto:

LangChain - Marco de desarrollo de aplicaciones de IA.
MCP - Protocolo de contexto de modelo.
Alpha Vantage - API de datos financieros.
Jina AI - Servicio de búsqueda de información.

⭐ Valor del proyecto

AI-Trader no es solo un sistema de trading, sino una plataforma innovadora para explorar la capacidad de la IA en la toma de decisiones autónoma en los mercados financieros:

✨ Valor académico: Proporciona un marco de investigación reproducible para la aplicación de la IA en finanzas. ✨ Valor tecnológico: Demuestra la potente capacidad de la cadena de herramientas MCP en aplicaciones prácticas. ✨ Valor práctico: Ofrece una solución completa de trading autónomo de IA. ✨ Valor de código abierto: Promueve el intercambio abierto y la innovación colaborativa de estrategias de trading de IA.