AI Hedge Fund: un fondo multiagente donde los analistas de IA votan sobre las operaciones

AI Hedge Fund es uno de los proyectos de código abierto más comentados en la intersección de los LLM y el trading. Más de 12.000 estrellas en GitHub, cientos de forks, publicaciones entusiastas en Twitter. Pero si dejamos de lado el bombo y lo miramos con serenidad: el valor no está en "una red neuronal que gana dinero", sino en un patrón arquitectónico — cómo organizar un equipo de analistas de IA para que cada uno aporte su experiencia sin que ninguno haga volar la cartera por los aires.

Aviso del autor del proyecto: No es un sistema para dinero real, es un entorno de pruebas para experimentar.

Idea central: no un gurú, sino un comité

La mayoría de los bots de trading con IA son simples: un LLM recibe datos → produce una señal → operación. AI Hedge Fund funciona de forma fundamentalmente distinta: usa un equipo de agentes con distintos estilos de pensamiento.

Cada agente es un LLM especializado con su propio prompt y sus propias fuentes de datos:

Los agentes trabajan de forma secuencial: primero cada analista emite su valoración (comprar/vender/mantener con su razonamiento), luego el gestor de riesgo comprueba la admisibilidad, y solo entonces el gestor de cartera define una acción concreta.

Por qué "primero el riesgo, después la acción" es lo correcto

La parte más fuerte del proyecto no es la "magia del LLM", sino la secuencia de toma de decisiones.

El error clásico en los sistemas de trading con IA es dar al modelo libertad total: "aquí tienes $100K, haz lo que quieras". AI Hedge Fund funciona de otra manera:

1. Evaluación del presupuesto de riesgo. Antes de que cualquier agente proponga una operación, el sistema evalúa cuánto riesgo puede absorber la cartera, considerando la volatilidad, las posiciones actuales y las correlaciones de los activos.

2. Filtrado del tamaño. Un agente no puede "fantasear" con una posición por todo el depósito. Si el límite solo permite un 5%, entonces solo un 5%, por muy convincente que sea la señal.

3. Agregación de opiniones. El gestor de cartera no ve solo "comprar/vender", sino los argumentos detallados de cada analista. Las opiniones divergentes no son un error, son una característica: si el analista de valor dice "barato" pero el analista técnico dice "tendencia bajista", el tamaño de la posición disminuye.

En la inversión, no importa solo la señal, sino el derecho al tamaño de la posición. Este es el enfoque foundation-first: primero un marco sólido de restricciones, y luego la "inteligencia".

Qué aporta esto en la práctica

• Menos oportunidades para desequilibrios impulsivos de la cartera.
• Lógica clara de por qué el tamaño de una operación es el que es.
• Experimentos de backtesting más adecuados.
• Un terreno cómodo para iterar: puedes mejorar a los analistas sin romper el marco de riesgo.

Cómo leer los resultados sin autoengañarse

Cualquier proyecto así es fácil de "sobrevalorar" si solo miras una ejecución bonita. Aquí tienes una lista de verificación honesta:

1. Estabilidad entre mercados. ¿Funciona igual de bien en mercados laterales que en mercados con tendencia?
2. Pruebas de estrés. ¿Qué ocurre durante pánicos, gaps, giros bruscos?
3. Sobreajuste. ¿Está la lógica del prompt ajustada a tickers y periodos concretos?
4. Calidad de los datos. ¿Se tienen en cuenta comisiones, slippage y splits?
5. Reproducibilidad. ¿Darán los mismos prompts el mismo resultado dentro de una semana (los LLM no son deterministas)?

Limitaciones y evaluación honesta

Es importante entender qué no es AI Hedge Fund:

• No es un sistema de producción. Sin ejecución real, sin modelado de liquidez.
• Dependencia del LLM. La calidad de las decisiones la determina por completo la calidad del modelo. GPT-4 y GPT-3.5 darán resultados distintos.
• Sin backtest histórico. No puedes ejecutar el sistema sobre 5 años de datos y obtener una curva de equity.
• Determinismo. Los LLM con temperatura > 0 darán respuestas distintas a entradas idénticas.

Enlaces

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

Conclusión

AI Hedge Fund es útil no como una "máquina de hacer dinero", sino como un marco de pensamiento:

• Separar los roles de los analistas.
• Separar la generación de ideas del control de riesgo.
• Hacer que las decisiones sean explicables.
• Probar hipótesis, pero no confundir el backtesting con garantías de beneficio.

Para aprender y prototipar, un trabajo sólido. Para producción, necesitas la siguiente capa: ejecución realista, validación de datos, control del model drift y un verdadero comité de riesgo a nivel de reglas, no solo de prompts.