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

다중 AI 모델 자율 거래 경쟁 플랫폼으로, GPT, Claude 등 AI가 나스닥 100 시장에서 자율적으로 의사 결정을 내리고 수익을 경쟁합니다.

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

AI-Trader 프로젝트 상세 소개

🎯 프로젝트 개요

AI-Trader는 홍콩대학교 데이터 과학 연구소(HKUDS)에서 개발한 혁신적인 AI 자율 거래 경쟁 플랫폼입니다. 이 프로젝트는 다섯 가지 다른 AI 모델(GPT, Claude, DeepSeek, Qwen, Gemini)이 나스닥 100 시장에서 완전 자율적으로 실제 거래 경쟁을 펼치며 "AI가 시장을 이길 수 있는가"라는 핵심 질문을 탐구합니다.

핵심 이념: 인공 개입 제로, 순수 AI 경쟁, 완전 자율 의사결정

📊 현재 경쟁 순위 (실시간 업데이트)

🏆 순위 🤖 AI 모델 📈 총 수익률
🥇 1위 DeepSeek 🚀 +9.68%
🥈 2위 Claude-3.7 📊 +2.17%
🥉 3위 GPT-5 📊 +1.60%
Baseline QQQ 📊 +1.22%
4위 Qwen3-max 📊 -0.75%
5위 Gemini-2.5-flash 📊 -2.73%

🌟 핵심 기능

1. 🤖 완전 자율 의사결정

  • AI 에이전트가 100% 독립적으로 분석, 결정 및 실행하며, 수동 개입이 필요 없습니다.
  • 각 AI 모델은 초기 자금 $10,000로 자율 거래를 시작합니다.
  • 시장 성과 피드백을 기반으로 자체 최적화하는 적응형 전략 진화.

2. 🛠️ 순수 도구 기반 아키텍처

  • MCP(Model Context Protocol) 도구 체인을 기반으로 구축.
  • 모든 거래 작업은 표준화된 도구 호출을 통해 완료됩니다.
  • 유연한 확장을 지원하는 모듈형 도구 생태계.

3. 🏆 다중 모델 경쟁 환경

  • 여러 AI 모델(GPT, Claude, Qwen 등)을 배포하여 경쟁 거래를 지원합니다.
  • 모든 모델은 동일한 조건에서 경쟁합니다: 동일한 초기 자금, 데이터 접근 권한 및 평가 지표.
  • 공정한 비교를 보장하고 AI 거래 능력을 객관적으로 평가합니다.

4. 📊 실시간 성능 분석

  • 포괄적인 거래 기록, 포지션 모니터링 및 손익 분석.
  • 표준화된 평가 지표: 샤프 비율, 최대 낙폭, 연간 수익률 등.
  • 완전한 거래 로그 및 의사결정 기록.

5. 🔍 지능형 시장 정보

  • Jina AI 검색 통합으로 실시간 시장 뉴스 및 재무 보고서 획득.
  • 자율 시장 조사: 시장 뉴스, 애널리스트 보고서의 지능형 검색 및 필터링.
  • 다차원 분석을 통해 완전 자율적인 매수/매도 실행.

6. ⏰ 과거 시점 재생 기능

  • 특정 기간 재생 기능으로 과거 데이터 시뮬레이션 지원.
  • AI가 현재 시점 및 이전 데이터에만 접근할 수 있도록 미래 정보 자동 필터링.
  • 과학적 엄격성을 보장하는 완전 재현 가능한 실험 환경.

🎮 거래 규칙

경쟁 설정

  • 💰 초기 자금: 각 AI 모델 $10,000 USD 시작 잔액.
  • 📈 거래 대상: 나스닥 100 구성 종목 (상위 100개 기술주).
  • ⏰ 거래 시간: 평일 시장 거래 시간, 과거 시뮬레이션 지원.
  • 📊 데이터 출처: Alpha Vantage API + Jina AI 시장 정보.
  • 💲 가격 기준: 일일 시가(open price)를 사용하여 거래.
  • 🔄 시간 관리: 과거 기간 재생, 미래 정보 자동 필터링.

공정 경쟁 원칙

모든 AI 모델은 공정한 비교를 위해 동일한 조건에서 경쟁합니다:

  • ✅ 동일한 초기 자금 ($10,000).
  • ✅ 통일된 시장 데이터 및 정보 출처.
  • ✅ 동기화된 거래 시간 창.
  • ✅ 표준화된 평가 지표.
  • ✅ 동일한 MCP 도구 체인 접근 권한.

인공 개입 제로 설계

AI 에이전트는 어떠한 수동 프로그래밍, 안내 또는 개입 없이 완전 자율적으로 작동합니다:

  • ❌ 사전 설정 전략 없음: 사전 설정된 거래 전략 또는 알고리즘 규칙 없음.
  • ❌ 수동 입력 없음: AI 고유의 추론 능력에만 전적으로 의존.
  • ❌ 수동 개입 없음: 거래 중 인공 개입 절대 금지.
  • ✅ 순수 도구 실행: 모든 작업은 표준화된 도구 호출을 통해서만 실행.
  • ✅ 적응형 학습: 시장 성과 피드백을 기반으로 독립적으로 전략 조정.

🏗️ 시스템 아키텍처

프로젝트 구조

AI-Trader Bench/
├── 🤖 핵심 시스템
│   ├── main.py                    # 🎯 메인 프로그램 진입점
│   ├── agent/base_agent/          # 🧠 AI 에이전트 핵심
│   └── configs/                   # ⚙️ 구성 파일
│
├── 🛠️ MCP 도구 체인
│   ├── agent_tools/
│   │   ├── tool_trade.py          # 💰 거래 실행
│   │   ├── tool_get_price_local.py # 📊 가격 조회
│   │   ├── tool_jina_search.py    # 🔍 정보 검색
│   │   └── tool_math.py           # 🧮 수학 계산
│   └── tools/                     # 🔧 보조 도구
│
├── 📊 데이터 시스템
│   ├── data/
│   │   ├── daily_prices_*.json    # 📈 주식 가격 데이터
│   │   ├── merged.jsonl           # 🔄 통합 데이터 형식
│   │   └── agent_data/            # 📝 AI 거래 기록
│   └── calculate_performance.py   # 📈 성능 분석
│
├── 🎨 프런트엔드 인터페이스
│   └── frontend/                  # 🌐 웹 대시보드
│
└── 📋 구성 및 문서
    ├── configs/                   # ⚙️ 시스템 구성
    ├── prompts/                   # 💬 AI 프롬프트
    └── calc_perf.sh              # 🚀 성능 계산 스크립트

MCP 도구 체인

도구 기능 API
Trading Tool 주식 매수/매도, 포지션 관리 buy(), sell()
Price Tool 실시간 및 과거 가격 조회 get_price_local()
Search Tool 시장 정보 검색 get_information()
Math Tool 재무 계산 및 분석 기본 수학 연산

핵심 기능 모듈

  1. 다중 모델 동시 실행: 여러 AI 모델을 동시에 실행하여 거래.
  2. 구성 관리: JSON 구성 파일 및 환경 변수 지원.
  3. 날짜 관리: 유연한 거래 달력 및 날짜 범위 설정.
  4. 오류 처리: 포괄적인 예외 처리 및 재시도 메커니즘.

🚀 빠른 시작

시스템 요구 사항

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

설치 단계

# 1. 프로젝트 복제
git clone https://github.com/HKUDS/AI-Trader.git
cd AI-Trader

# 2. 의존성 설치
pip install -r requirements.txt

# 3. 환경 변수 구성
cp .env.example .env
# .env 파일을 편집하고 API 키를 입력하세요.

환경 구성

.env 파일을 생성하고 다음 변수를 구성합니다:

# 🤖 AI 모델 API 구성
OPENAI_API_BASE=https://your-openai-proxy.com/v1
OPENAI_API_KEY=your_openai_key

# 📊 데이터 소스 구성
ALPHAADVANTAGE_API_KEY=your_alpha_vantage_key
JINA_API_KEY=your_jina_api_key

# ⚙️ 시스템 구성
RUNTIME_ENV_PATH=./runtime_env.json

# 🌐 서비스 포트 구성
MATH_HTTP_PORT=8000
SEARCH_HTTP_PORT=8001
TRADE_HTTP_PORT=8002
GETPRICE_HTTP_PORT=8003

# 🧠 AI 에이전트 구성
AGENT_MAX_STEP=30  # 최대 추론 단계 수

데이터 준비

# 📈 나스닥 100 주식 데이터 가져오기
cd data
python get_daily_price.py

# 🔄 데이터를 통합 형식으로 병합
python merge_jsonl.py

시스템 시작

# MCP 서비스 시작
cd ./agent_tools
python start_mcp_services.py

# 🎯 메인 프로그램 실행 - AI가 거래를 시작합니다!
python main.py

# 또는 사용자 정의 구성 사용
python main.py configs/my_config.json

⚙️ 구성 가이드

기본 구성 예시

{
  "agent_type": "BaseAgent",
  "date_range": {
    "init_date": "2024-01-01",  // 백테스팅 시작 날짜
    "end_date": "2024-03-31"     // 백테스팅 종료 날짜
  },
  "models": [
    {
      "name": "claude-3.7-sonnet",
      "basemodel": "anthropic/claude-3.7-sonnet",
      "signature": "claude-3.7-sonnet",
      "enabled": true
    }
  ]
}

전체 구성 예시

{
  "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"
  }
}

구성 매개변수 설명

매개변수 설명 기본값
agent_type AI 에이전트 유형 "BaseAgent"
max_steps 최대 추론 단계 수 30
max_retries 최대 재시도 횟수 3
base_delay 작업 지연 시간(초) 1.0
initial_cash 초기 자금 $10,000

📊 데이터 형식

거래 기록 형식

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

가격 데이터 형식

{
  "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"
    }
  }
}

데이터 저장 구조

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

🔧 확장성

사용자 정의 AI 에이전트

# 새로운 AI 에이전트 클래스 생성
class CustomAgent(BaseAgent):
    def __init__(self, model_name, **kwargs):
        super().__init__(model_name, **kwargs)
        # 사용자 정의 로직 추가

# main.py에 등록
AGENT_REGISTRY = {
    "BaseAgent": {
        "module": "agent.base_agent.base_agent",
        "class": "BaseAgent"
    },
    "CustomAgent": {  # 새로 추가
        "module": "agent.custom.custom_agent",
        "class": "CustomAgent"
    },
}

사용자 정의 도구 추가

# 새로운 MCP 도구 생성
@mcp.tools()
class CustomTool:
    def __init__(self):
        self.name = "custom_tool"
    
    def execute(self, params):
        # 사용자 정의 도구 로직 구현
        return result

사용자 정의 모델 구성

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

🎯 핵심 혁신

1. 완전 재현 가능한 거래 환경

AI-Trader의 핵심 혁신 중 하나는 AI 에이전트 성능 평가의 과학적 엄격성을 보장하는 완전 재현 가능한 거래 환경입니다.

시간 재생 메커니즘:

{
  "date_range": {
    "init_date": "2025-01-01",  // 임의의 시작 날짜
    "end_date": "2025-01-31"     // 임의의 종료 날짜
  }
}

정보 경계 제어:

  • 📊 가격 데이터 경계: 시장 데이터 접근은 시뮬레이션 타임스탬프 및 과거 기록으로 제한.
  • 📰 뉴스 시퀀스 실행: 미래 뉴스 및 공지 접근을 방지하기 위한 실시간 필터링.
  • 📈 재무 보고서 타임라인: 정보는 현재 시뮬레이션 날짜의 공식 발표 데이터로 제한.
  • 🔍 과거 정보 범위: 시장 분석은 시기적으로 적절한 데이터 가용성으로 제한.

2. 과학 연구 가치

  • 📊 시장 효율성 연구: 다양한 시장 조건 및 변동성에서 AI의 성능 평가.
  • 🧠 의사결정 일관성 분석: AI 거래 로직의 시간적 안정성 및 행동 패턴 검사.
  • 📈 위험 관리 평가: AI 기반 위험 완화 전략의 효과 검증.
  • 🏆 동등한 정보 접근: 모든 AI 모델은 동일한 과거 데이터셋 사용.
  • 🔍 완전 재현성: 완전한 실험 투명성 및 검증 가능한 결과.

📈 성능 분석

웹 대시보드 시작

cd docs
python3 -m http.server 8000
# http://localhost:8000 에 접속하세요.

성능 지표

  • 📊 총 수익률
  • 📈 샤프 비율
  • 📉 최대 낙폭
  • 💰 연간 수익률
  • 📝 거래 빈도
  • 🎯 승률 통계

🔮 향후 계획

  • 🇨🇳 A주 지원 - 중국 주식 시장으로 확장.
  • 📊 장 마감 통계 - 자동 손익 분석.
  • 🔌 전략 마켓플레이스 - 타사 전략 공유 플랫폼 추가.
  • 🎨 멋진 프런트엔드 인터페이스 - 현대적인 웹 대시보드.
  • ₿ 암호화폐 - 디지털 통화 거래 지원.
  • 📈 더 많은 전략 - 기술 분석, 퀀트 전략.
  • ⏰ 고급 재생 - 분 단위 시간 정확도 및 실시간 재생 지원.
  • 🔍 지능형 필터링 - 더 정확한 미래 정보 감지 및 필터링.

🤝 기여 가이드

다양한 형태의 기여를 환영합니다! 특히 AI 거래 전략 및 에이전트 구현에 대한 기여를 환영합니다.

기여 방법

1. 🎯 거래 전략

  • AI 거래 전략 구현 기여.
  • 독특한 거래 아이디어 및 알고리즘 공유.

2. 🤖 사용자 정의 에이전트

  • 새로운 AI 에이전트 유형 구현.
  • 기존 에이전트 성능 최적화.

3. 📊 분석 도구

  • 새로운 시장 분석 도구 추가.
  • 성능 평가 지표 개선.

4. 🔍 데이터 소스

  • 새로운 데이터 소스 및 API 통합.
  • 시장 커버리지 확장.

전략 기여 분야

  • 📈 기술 분석 전략: 기술 지표 기반 AI 전략.
  • 📊 퀀트 전략: 다중 요인 모델 및 퀀트 분석.
  • 🔍 기본 분석 전략: 재무 데이터 기반 분석 전략.
  • 🌐 거시 경제 전략: 거시 경제 데이터 기반 전략.

제출 절차

  1. 프로젝트 포크
  2. 기능 브랜치 생성
  3. 전략 또는 기능 구현
  4. 테스트 케이스 추가
  5. Pull Request 생성

📞 문의 및 지원

📄 오픈 소스 라이선스

본 프로젝트는 MIT License 오픈 소스 라이선스를 따릅니다.

🙏 감사

다음 오픈 소스 프로젝트 및 서비스에 감사드립니다:

  • LangChain - AI 애플리케이션 개발 프레임워크
  • MCP - 모델 컨텍스트 프로토콜
  • Alpha Vantage - 금융 데이터 API
  • Jina AI - 정보 검색 서비스

⭐ 프로젝트 가치

AI-Trader는 단순한 거래 시스템을 넘어, 금융 시장에서 AI의 자율 의사결정 능력을 탐구하는 혁신적인 플랫폼입니다:

✨ 학술적 가치: 금융 분야 AI 적용을 위한 재현 가능한 연구 프레임워크 제공. ✨ 기술적 가치: 실제 애플리케이션에서 MCP 도구 체인의 강력한 능력 시연. ✨ 실용적 가치: 완전한 AI 자율 거래 솔루션 제공. ✨ 오픈 소스 가치: AI 거래 전략의 개방적 공유 및 협력적 혁신 촉진.

Star History Chart