AI Hedge Fund: Ein Multi-Agenten-Fonds, in dem KI-Analysten über Trades abstimmen

AI Hedge Fund ist eines der meistdiskutierten Open-Source-Projekte an der Schnittstelle von LLMs und Trading. Über 12.000 GitHub-Sterne, hunderte Forks, begeisterte Twitter-Posts. Doch wenn man den Hype beiseitelässt und nüchtern hinschaut: Der Wert liegt nicht in einem "neuronalen Netz, das Geld verdient", sondern in einem architektonischen Muster — wie man ein Team von KI-Analysten so organisiert, dass jeder sein Fachwissen einbringt, ohne dass ein Einzelner das Portfolio in die Luft jagt.

Hinweis des Projektautors: Dies ist kein System für echtes Geld — es ist eine Spielwiese für Experimente.

Kernidee: Nicht ein Guru, sondern ein Komitee

Die meisten KI-Trading-Bots sind schlicht aufgebaut: Ein LLM erhält Daten → erzeugt ein Signal → Trade. AI Hedge Fund funktioniert grundlegend anders: Es nutzt ein Team von Agenten mit unterschiedlichen Denkstilen.

Jeder Agent ist ein spezialisiertes LLM mit eigenem Prompt und eigenen Datenquellen:

Die Agenten arbeiten sequenziell: Zuerst gibt jeder Analyst seine Einschätzung ab (Kaufen/Verkaufen/Halten mit Begründung), dann prüft der Risikomanager die Zulässigkeit, und erst danach formt der Portfoliomanager eine konkrete Handlung.

Warum "Risiko zuerst, Handlung danach" richtig ist

Der stärkste Teil des Projekts ist nicht "LLM-Magie" — es ist die Reihenfolge der Entscheidungsfindung.

Der klassische Fehler in KI-Trading-Systemen besteht darin, dem Modell völlige Freiheit zu geben: "Hier sind $100K, mach damit, was du willst." AI Hedge Fund arbeitet anders:

1. Bewertung des Risikobudgets. Bevor irgendein Agent einen Trade vorschlägt, bewertet das System, wie viel Risiko das Portfolio verkraften kann — unter Berücksichtigung von Volatilität, aktuellen Positionen und Korrelationen der Assets.

2. Größenfilterung. Ein Agent kann sich keine Position für die gesamte Einlage "herbeifantasieren". Wenn das Limit nur 5% erlaubt — dann nur 5%, egal wie überzeugend das Signal ist.

3. Aggregation der Meinungen. Der Portfoliomanager sieht nicht nur "Kaufen/Verkaufen", sondern detaillierte Argumente jedes Analysten. Auseinandergehende Meinungen sind kein Bug — sie sind ein Feature: Sagt der Value-Analyst "günstig", der technische Analyst aber "Abwärtstrend", verringert sich die Positionsgröße.

Beim Investieren zählt nicht nur das Signal, sondern das Recht auf eine Positionsgröße. Das ist der Foundation-First-Ansatz: zuerst ein solider Rahmen aus Beschränkungen, dann "Intelligenz".

Was das in der Praxis bringt

• Weniger Gelegenheiten für impulsive Portfolio-Schieflagen.
• Klare Logik, warum eine Trade-Größe so ist, wie sie ist.
• Angemessenere Backtesting-Experimente.
• Bequemer Boden für Iterationen: Man kann Analysten verbessern, ohne den Risikorahmen zu brechen.

Wie man Ergebnisse ohne Selbstbetrug liest

Jedes solche Projekt lässt sich leicht "überhypen", wenn man nur auf einen hübschen Durchlauf schaut. Hier eine ehrliche Bewertungs-Checkliste:

1. Stabilität über Märkte hinweg. Funktioniert es in Seitwärtsmärkten genauso wie in Trendmärkten?
2. Stresstests. Was passiert bei Paniken, Gaps, scharfen Umkehrungen?
3. Overfitting. Ist die Prompt-Logik auf bestimmte Ticker und Zeiträume abgestimmt?
4. Datenqualität. Werden Gebühren, Slippage und Splits berücksichtigt?
5. Reproduzierbarkeit. Liefern dieselben Prompts in einer Woche dasselbe Ergebnis (LLMs sind nicht deterministisch)?

Grenzen und ehrliche Einschätzung

Es ist wichtig zu verstehen, was AI Hedge Fund nicht ist:

• Kein Produktivsystem. Keine echte Ausführung, keine Liquiditätsmodellierung.
• LLM-Abhängigkeit. Die Entscheidungsqualität wird vollständig durch die Modellqualität bestimmt. GPT-4 und GPT-3.5 liefern unterschiedliche Ergebnisse.
• Kein historischer Backtest. Man kann das System nicht über 5 Jahre Daten laufen lassen und eine Equity-Kurve erhalten.
• Determinismus. LLMs mit Temperatur > 0 geben auf identische Eingaben unterschiedliche Antworten.

Links

• 💻 GitHub: virattt/ai-hedge-fund
• 📄 Lizenz: MIT

Fazit

AI Hedge Fund ist nützlich nicht als "Geldmaschine", sondern als Denkrahmen:

• Analystenrollen trennen.
• Ideengenerierung von Risikokontrolle trennen.
• Entscheidungen erklärbar machen.
• Hypothesen testen, aber Backtesting nicht mit Gewinngarantien verwechseln.

Zum Lernen und Prototyping — solide Arbeit. Für den Produktivbetrieb braucht man die nächste Schicht: realistische Ausführung, Datenvalidierung, Kontrolle von Model-Drift und ein echtes Risikokomitee auf Regelebene, nicht nur Prompts.