Die meisten Finanzplattformen lassen sich in zwei Lager einteilen: träge Legacy-Systeme aus den 90ern oder Electron-Wrapper, die den Arbeitsspeicher verschlingen. Fincept Terminal geht einen dritten Weg: ein natives C++20-Desktop mit Python-Analytics und 37 integrierten KI-Agenten.
Fincept Terminal (AGPL-3.0) ist ein Open-Source-Projekt, das Funktionalität auf institutionellem Niveau auf den Desktop bringt. Schauen wir uns die Architektur von v4 an und, vor allem, den vollständigen Katalog der Agenten und ihrer Fähigkeiten.
Architektur
- Kern: C++20. Kein Node.js, keine Browser-Engines, keine JavaScript-Bundles.
- UI & Rendering: Qt 6.8.3. Hardwarebeschleunigte Grafik, sofortige Reaktionsfähigkeit, plattformübergreifend.
- Analytics-Engine: Eingebettetes Python 3.11 für Data Science (Pandas, NumPy, SciPy) ohne separate Microservices.
Die Benutzeroberfläche und die Verarbeitung von Streaming-Daten laufen mit C++-Geschwindigkeit, während die KI-Logik in einer isolierten Python-Umgebung ausgeführt wird.
KI-Agenten: Vollständiger Katalog
Der interessanteste Teil von Fincept ist sein Agentensystem. Der Quellcode offenbart vier Ebenen:
1. Investoren-Agenten (TraderInvestorsAgent) — 11 Agenten
Jeder Agent implementiert eine spezifische Anlagephilosophie: mit eigenem System-Prompt, eigenen Schwellenwerten, eigenem Toolset und eigenem Ausgabeformat für Signale (InvestmentSignal).
| Agent | Philosophie | Kernfähigkeiten | Tools |
|---|---|---|---|
| Warren Buffett | Value + wirtschaftliche Burggräben | moat_analysis, owner_earnings, capital_allocation_review | yfinance, financial_datasets, duckduckgo, tavily |
| Benjamin Graham | Deep Value, strikte quantitative Filter | deep_value_screening, margin_of_safety, defensive_investor | yfinance, financial_datasets |
| Peter Lynch | Growth at Reasonable Price (GARP), PEG | peg_analysis, lynch_classification, insider_signal_check | yfinance, financial_datasets, duckduckgo, tavily |
| Charlie Munger | Mentale Modelle, Inversion, kognitive Verzerrungen | mental_models_check, inversion_analysis, bias_detection, incentive_audit | yfinance, financial_datasets, duckduckgo, tavily |
| Seth Klarman | Risikoorientierter Value-Ansatz, Distressed Assets | downside_first_analysis, special_situations, capital_preservation | yfinance, financial_datasets |
| Howard Marks | Zyklen, Second-Level Thinking | cycle_positioning, second_level_thinking, credit_cycle_read | yfinance, financial_datasets, duckduckgo, tavily |
| Joel Greenblatt | Magic Formula (ROC + Earnings Yield) | magic_formula_ranking, roc_analysis, special_situations | yfinance, financial_datasets |
| David Einhorn | Katalysatorgetriebener Value-Ansatz, Leerverkäufe | catalyst_identification, accounting_quality_check, long_short_analysis | yfinance, financial_datasets, duckduckgo, tavily |
| Bill Miller | Contrarian, FCF bei Tech-Werten | contrarian_value, platform_economics, free_cash_flow_focus | yfinance, financial_datasets, duckduckgo, tavily |
| Jean-Marie Eveillard | Globaler Value-Ansatz, Kapitalerhalt | global_value, bubble_avoidance, currency_and_sovereign_risk | yfinance, financial_datasets |
| Marty Whitman | Distressed Debt, Kreditanalyse | distressed_debt_analysis, capital_structure_review, private_market_value | yfinance, financial_datasets |
Jeder Agent erzeugt ein strukturiertes Signal: bullish | neutral | bearish mit einem numerischen Konfidenzwert (0–1), Scores auf Basis eigener Metriken und einer textuellen Begründung. Der Buffett-Agent prüft beispielsweise, ob der ROE in 7 von 10 Jahren ≥ 15 % lag, ob D/E < 0,5 ist, und berechnet die Owner Earnings mit einem Abzinsungssatz von 10 %.
2. Ökonomische Agenten (EconomicAgents) — 6 Agenten
Sechs ökonomische Schulen, jede mit eigenem Analyserahmen. Konzipiert für makroökonomische Analysen, Politikbewertung und Prognosen.
| Agent | Schule | Kernfähigkeiten |
|---|---|---|
| Capitalism Analyst | Freier Markt, Angebotsseite | supply_side_analysis, market_mechanism_framing |
| Keynesian Analyst | Aggregierte Nachfrage, fiskalische Stabilisierung | aggregate_demand_analysis, fiscal_policy_framing |
| Neoliberal Analyst | Deregulierung, Handelsliberalisierung | deregulation_analysis, trade_liberalization_framing |
| Socialist Analyst | Ungleichheit, Umverteilung | inequality_analysis, redistribution_framing |
| Mixed Economy Analyst | Pragmatisches Gleichgewicht zwischen Markt und Staat | market_failure_analysis, pragmatic_policy_framing |
| Mercantilist Analyst | Strategische Industrien, Handelsbilanzen | trade_balance_analysis, strategic_industry_framing |
Alle nutzen OpenBB für Makrodaten und Suchtools (DuckDuckGo, Tavily). Jeder Agent muss eine Falsifikationsbedingung angeben — das konkrete Ereignis, unter dem er seine Prognose revidieren würde.
3. Geopolitische Agenten (GeopoliticsAgents) — 20 Agenten
Das größte Modul. Die Agenten sind in drei Serien unterteilt, jede basierend auf einem bestimmten Buch:
📖 Prisoners of Geography (Tim Marshall) — 10 Agenten:
Geografischer Determinismus. Jeder Agent ist auf eine bestimmte Region spezialisiert: Russland (Pufferzonen, eisfreie Häfen), China (Straße von Malakka, Inselketten), USA (ozeanische Barrieren, Mississippi), Europa (zersplittertes Terrain), Naher Osten (Straße von Hormus, Wasserknappheit), Afrika (koloniale Grenzen, nicht schiffbare Flüsse), Indien-Pakistan (Indus, Himalaya), Japan-Korea (Inselisolation vs. Halbinsel-Verwundbarkeit), Lateinamerika (Anden, Amazonas), Arktis (schmelzendes Eis, neue Routen).
📖 World Order (Kissinger) — 5 Agenten:
Konkurrierende Vorstellungen von Weltordnung: Amerikanisch (liberaler Internationalismus), Chinesisch (Tianxia, hierarchische Harmonie), Europäisch (westfälische Souveränität), Islamisch (Umma, Scharia), Multipolar (BRICS, SCO, Niedergang der Unipolarität).
📖 The Grand Chessboard (Brzezinski) — 5 Agenten:
Eurasische Geostrategie: Eurasischer Balkan (Zentralasien), Geopolitische Dreh- und Angelpunkte (Ukraine, Türkei, Iran), Aktive geostrategische Akteure (Revisionisten vs. Status-quo-Mächte), Amerikanische Vorherrschaft (NATO, AUKUS, QUAD), Eurasisches Herzland (Mackinder-Theorie + BRI).
4. Operative Agenten (Deep Agents) — 8 Subagenten
Multi-Agenten-System mit einem Orchestrator. Operative Aufgabentypen: research, trading_strategy, portfolio_management, risk_assessment, general. Für jeden Aufgabentyp wird automatisch ein Team von Subagenten zusammengestellt:
| Subagent | Rolle |
|---|---|
| Research | Informationssammlung und -synthese aus mehreren Blickwinkeln |
| Data Analyst | Quantitative Analyse, Finanzkennzahlen, Statistik |
| Trading | Handelsstrategien, technische Setups, Ein- und Ausstiege |
| Risk Analyzer | VaR (historisch, parametrisch, Monte Carlo), Stresstests |
| Portfolio Optimizer | Markowitz-Optimierung, Faktor-Tilts, Rebalancing |
| Backtester | Historische Simulation, Walk-Forward, Overfitting-Schutz |
| Reporter | Synthese der Ergebnisse zu einem strukturierten Bericht |
| Macro Economist | Makroökonomie, Zentralbanken, Zinskurve, Credit Spreads |
5. Trading-Agenten (Agno Trading) — 5 Agenten
Ein Framework für den Live-Handel mit fünf spezialisierten Agenten:
- MarketAnalystAgent — fundamentale und technische Analyse.
- TradingStrategyAgent — Erstellung von Handelsstrategien und Setups.
- RiskManagerAgent — VaR-Berechnung und Drawdown-Limits.
- PortfolioManagerAgent — Rebalancing und Gewichtungsoptimierung.
- SentimentAnalystAgent — Auswertung von Nachrichten und sozialen Medien.
Tools: Kraken API, yfinance, technische Indikatoren, News-Sentiment.
6. Hedgefonds-Agent (Renaissance Technologies)
Ein eigenes Modul, das die Organisationsstruktur von Renaissance Technologies nachbildet: Anlageausschuss, Research-Team, Medallion Fund. Vollständige Hierarchie von Personas und Rollen.
LLM-Anbieter
Unterstützung für lokale LLMs (Ollama) neben Cloud-Anbietern: OpenAI, Anthropic, DeepSeek, OpenRouter. So lassen sich proprietäre Daten analysieren, ohne sie an Drittanbieter-Server zu senden.
Visueller Logik-Editor (Node Editor)
Ein Node-Editor zum Zusammenstellen analytischer Pipelines ohne Code: Datenabruf → Filterung → KI-Analyse → Ordererstellung. Der Quellcode enthält fertige Node-Presets: agent_type = "economic", agent_type = "investor", agent_type = "hedge_fund".
Datenkonnektoren (100+)
| Kategorie | Quellen |
|---|---|
| Traditionelle Märkte | Yahoo Finance, FRED, IMF, World Bank, DBnomics, BEA, Databento |
| Krypto | WebSocket zu Kraken, HyperLiquid |
| Alternative Daten | Schiffsverfolgung, Satellitendaten, Adanos Market Sentiment |
| Asiatische Märkte | AkShare (Shanghai, Shenzhen, Hongkong) |
| Prognosemärkte | Polymarket |
| Geopolitik | Integration mit geopolitischen Agenten |
Trading und QuantLib
Live-Handel über 16 Broker (Interactive Brokers, Alpaca, Zerodha usw.). Integrierte QuantLib Suite — 18 Tools: Derivatebewertung, VaR, Sharpe Ratio, Markowitz-Portfoliooptimierung.
Vergleich mit Alternativen
| Feature | Fincept Terminal | Bloomberg Terminal | TradingView |
|---|---|---|---|
| Preis | Kostenlos (AGPL-3.0) | ~25.000 $/Jahr | 0 bis 60 $/Monat |
| KI-Agenten | 37+ integriert | Keine | Keine |
| Nativer Code | C++20 | C++ | Web (JS) |
| Lokale LLMs | ✅ (Ollama) | ❌ | ❌ |
| Node Editor | ✅ | ❌ | Pine Script |
| Open Source | ✅ | ❌ | ❌ |
Links
- 💻 GitHub: Fincept-Corporation/FinceptTerminal
- 🌐 Website: fincept.in
- 📄 Lizenz: AGPL-3.0 (privat/akademisch), kommerzielle Lizenz für den Geschäftseinsatz
Fazit
Fincept Terminal ist ein seltener Fall, in dem ein Open-Source-Projekt nicht nur Charts und Indikatoren liefert, sondern eine vollständige Multi-Agenten-Infrastruktur. Die 37 Agenten sind keine reine Marketingzahl: Jeder verfügt über einen detaillierten System-Prompt, spezifische Auslöseschwellen und einen Satz von API-Tools. Wer eine native Desktop-Plattform sucht, die quantitative Analytik mit KI-Agenten verbindet — hier ist eine der besten Open-Source-Optionen, die derzeit verfügbar sind.
