LLM应用剖析: AI对冲基金

是 否 +2 论坛币

k人 参与回答

经管之家送您一份

应届毕业生专属福利!

求职就业群

赵安豆老师微信：zhaoandou666

经管之家联合CDA

送您一个全额奖学金名额~ !

立即领取

感谢您参与论坛问题回答

经管之家送您两个论坛币！

+2 论坛币

欢迎关注公众号: 爱学习的妮妮qiang

1. 背景

在上周发布的一篇文章《LLM应用–微舆的应用剖析》之后，收到了一位读者关于基于LangGraph构建的多Agent应用的询问。这让我想起了几个月前深入研究的一个项目——AI对冲基金（ai-hedge-fund），一个探索如何利用人工智能进行交易决策的概念验证项目。该项目在GitHub上的星标已超过42K，但请注意，它仅适用于教育目的，不应用于实际操作。

2. 核心特色

2.1 内置18+投资Agent

此项目利用LangGraph构建了一个多Agent协作框架，包含18个专注于不同投资领域的Agent，它们分别负责评估各自领域内的投资指标。以下是这些Agent的详细分类：

1. 价值投资Agent
   • 阿斯沃思·达莫达兰【估值院长】：专注于严格的估值分析，评估投资机会的内在价值和财务状况。
   • 本杰明·格雷厄姆【价值投资之父】：采用系统性的价值分析方法，强调投资的安全边际，倾向于投资基本面稳健但被低估的公司。
   • 查理·芒格【理性思想家】：推崇价值投资理念，专注于高质量的企业并通过理性决策追求长期增长。
   • 沃伦·巴菲特【奥马哈先知】：结合价值投资与长期持有策略，寻找基本面强劲且具有竞争优势的公司。
   • 莫尼斯·帕伯莱【丹霍投资者】：通过基本面分析和安全边际原则，专注于价值投资和长期增长。
   • 迈克尔·伯里【大空头逆向投资者】：进行逆向投资，通常做空被高估的市场，同时通过深入的基本面分析投资于被低估的资产。
   • 基本面分析【财务报表专家】：通过深入研究财务报表和经济指标，评估公司的内在价值。
   • 估值分析【公司估值专家】：擅长确定公司的公允价值，运用多种估值模型和财务指标指导投资决策。
2. 成长投资Agent
   • 凯茜·伍德【增长投资女王】：关注颠覆性创新和成长机会，投资于引领技术和市场变革的公司。
   • 彼得·林奇【十倍股投资者】：采用“买你所知”的策略，投资于商业模式清晰且增长潜力巨大的公司。
   • 菲利普·费雪【小道消息投资者】：重视投资于管理出色和产品创新的公司，通过非正式渠道的信息收集专注于长期增长。
   • 成长分析【增长专家】：通过分析成长趋势和估值，识别成长机会。
3. 宏观投资Agent
   • 斯坦利·朱肯米勒【宏观投资者】：关注宏观经济趋势，通过自上而下的分析，对货币、商品和利率等进行大额押注。
   • 雷卡·拉凯什·朱朱瓦拉【印度大牛】：利用宏观经济洞见，投资于高增长行业，尤其是新兴市场和国内机会。
4. 技术分析Agent
   • 技术分析【图表模式专家】：通过图表模式和市场趋势进行投资决策，通常依赖技术指标和价格行为分析。
5. 情感分析Agent
   • 新闻情感分析【新闻情绪专家】：通过分析新闻情绪预测市场走势并发现投资机会。
   • 市场情感分析【市场情绪专家】：通过行为分析评估市场情绪和投资者行为，以预测市场走势并发现投资机会。
6. 活动投资Agent
   • 比尔·阿克曼【行动主义投资者】：通过战略性行动主义和逆向投资，旨在影响管理层并释放公司价值。

2.2 集成回溯测试

项目的股票数据来源于财经数据集，默认支持美股数据，其中苹果（AAPL）、谷歌（GOOGL）、微软（MSFT）、英伟达（NVDA）和特斯拉（TSLA）这五家公司的数据是免费提供的。用户可以选择特定的模型、股票名称以及回溯测试的时间范围来进行测试。

2.3 多模型接入

项目兼容了多个第三方大模型及ollama，包括但不限于Claude Sonnet 4.5、Claude Haiku 4.5、Claude Opus 4.1、DeepSeek R1、DeepSeek V3、Gemini 2.5 Pro、GLM-4.5 Air、Qwen 3 (235B) Thinking 和 GigaChat-2-Max等。

3. 总体架构

整个工作流程概述如下：

1. 用户输入股票名称及起止日期，选择特定的模型和投资Agent。
2. 各Agent从financialdatasets获取相关股票数据并缓存至内存中，随后根据选定的投资主题逻辑评估股票的投资价值。
3. 所有Agent的评估结果汇总后，交由风险管理模块（Risk Manager）进行风险分析。
4. 最后，组合管理模块（Portfolio Manager）根据风险分析的结果，决定最终的投资行为，包括买入、卖出、持有、看多或看空。

4. 核心源码

以下展示了基于LangGraph构建的对冲基金多Agent交互工作流的核心代码片段：

from langgraph.graph import END, StateGraph
from src.utils.analysts import get_analyst_nodes
from src.agents.portfolio_manager import portfolio_management_agent
from src.agents.risk_manager import risk_management_agent
  

总结与思考

1. 本项目的重点并非在于LangGraph本身，而是在其基础上构建的各种Agent。这些Agent能够将投资领域的大师们的核心理念简化为逻辑代码，尽管不够完美，但对于像我这样的投资新手来说，仍然受益良多。
2. 回溯测试功能在投资领域尤为重要。一个策略或技术的有效性，需要通过对历史股票数据的回溯测试来验证其准确性和稳定性。
3. 虽然项目主要针对美股，但通过接入A股数据（例如使用akshare），同样可以成功运行，只需适配数据采集点。我也花了一些时间进行了简单的集成。
4. 项目目前支持系统部署，用户可以在系统页面上进行操作。

参考

1. 项目地址: https://github.com/virattt/ai-hedge-fund
2. 美国财经数据集: https://financialdatasets.ai/
3. 国内开源财经数据: https://akshare.akfamily.xyz/

代码示例

以下是一个创建工作流的示例代码：

def create_workflow(selected_analysts=None):
    """利用选择的分析师Agent创建工作流"""
    workflow = StateGraph(AgentState)
    workflow.add_node("start_node", start)
    
    # 从配置文件中获取分析师Agent节点
    analyst_nodes = get_analyst_nodes()
    
    # 如果未选择，则默认是所有的分析师Agent
    if selected_analysts is None:
        selected_analysts = list(analyst_nodes.keys())
    
    # 将节点和边加入工作流
    for analyst_key in selected_analysts:
        node_name, node_func = analyst_nodes[analyst_key]
        workflow.add_node(node_name, node_func)
        workflow.add_edge("start_node", node_name)
    
    # 增加风险管理、投资组合管理节点
    workflow.add_node("risk_management_agent", risk_management_agent)
    workflow.add_node("portfolio_manager", portfolio_management_agent)
    
    # 分析师Agent连接到风险节点
    for analyst_key in selected_analysts:
        node_name = analyst_nodes[analyst_key][0]
        workflow.add_edge(node_name, "risk_management_agent")
    
    # 风险管理节点连接到投资组合管理节点
    workflow.add_edge("risk_management_agent", "portfolio_manager")
    workflow.add_edge("portfolio_manager", END)
    
    workflow.set_entry_point("start_node")
    return workflow

扫码加我 拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

分享0 收藏0 回帖

关键词：对冲基金 LLM Management Managemen Portfolio