AI Hedge Fund: एक मल्टी-एजेंट फंड जहाँ AI विश्लेषक ट्रेडों पर वोट करते हैं

AI Hedge Fund LLM और ट्रेडिंग के संगम पर सबसे अधिक चर्चित ओपन-सोर्स परियोजनाओं में से एक है। 12,000 से अधिक GitHub स्टार, सैकड़ों फ़ोर्क, उत्साहपूर्ण Twitter पोस्ट। लेकिन हाइप को हटाकर संयम से देखें: मूल्य "पैसा कमाने वाले न्यूरल नेटवर्क" में नहीं है, बल्कि एक आर्किटेक्चरल पैटर्न में है — AI विश्लेषकों की एक टीम को इस तरह कैसे व्यवस्थित करें कि हर कोई अपनी विशेषज्ञता का योगदान दे, बिना किसी एक के पूरे पोर्टफोलियो को उड़ा देने के।

परियोजना लेखक की ओर से अस्वीकरण: यह असली पैसे के लिए कोई सिस्टम नहीं है — यह प्रयोगों के लिए एक सैंडबॉक्स है।

मूल विचार: एक गुरु नहीं, बल्कि एक समिति

अधिकांश AI ट्रेडिंग बॉट सरल होते हैं: एक LLM डेटा प्राप्त करता है → एक सिग्नल बनाता है → ट्रेड। AI Hedge Fund मौलिक रूप से अलग काम करता है: यह अलग-अलग सोच शैलियों वाले एजेंटों की एक टीम का उपयोग करता है।

प्रत्येक एजेंट अपने स्वयं के प्रॉम्प्ट और डेटा स्रोतों के साथ एक विशेषीकृत LLM है:

एजेंट क्रमिक रूप से काम करते हैं: पहले प्रत्येक विश्लेषक अपना आकलन देता है (कारण सहित खरीदें/बेचें/होल्ड करें), फिर रिस्क मैनेजर स्वीकार्यता की जाँच करता है, और उसके बाद ही पोर्टफोलियो मैनेजर एक ठोस कार्रवाई तय करता है।

"पहले जोखिम, फिर कार्रवाई" सही क्यों है

परियोजना का सबसे मज़बूत हिस्सा "LLM का जादू" नहीं है — यह निर्णय लेने का क्रम है।

AI ट्रेडिंग सिस्टम में क्लासिक गलती मॉडल को पूरी आज़ादी देना है: "यहाँ $100K हैं, जो चाहो करो।" AI Hedge Fund अलग तरीके से काम करता है:

1. जोखिम बजट का आकलन। कोई भी एजेंट ट्रेड प्रस्तावित करे, उससे पहले सिस्टम आकलन करता है कि पोर्टफोलियो कितना जोखिम सह सकता है — अस्थिरता, वर्तमान पोज़िशनों और परिसंपत्तियों के सहसंबंधों को ध्यान में रखते हुए।

2. आकार की फ़िल्टरिंग। कोई एजेंट पूरे डिपॉज़िट के लिए कोई पोज़िशन "कल्पना" नहीं कर सकता। यदि सीमा केवल 5% की अनुमति देती है — तो केवल 5%, चाहे सिग्नल कितना ही आश्वस्त करने वाला क्यों न हो।

3. राय का एकत्रीकरण। पोर्टफोलियो मैनेजर सिर्फ़ "खरीदें/बेचें" नहीं देखता, बल्कि प्रत्येक विश्लेषक के विस्तृत तर्क देखता है। भिन्न राय कोई बग नहीं हैं — यह एक फ़ीचर है: यदि वैल्यू विश्लेषक कहता है "सस्ता" लेकिन तकनीकी विश्लेषक कहता है "डाउनट्रेंड", तो पोज़िशन का आकार घट जाता है।

निवेश में, महत्वपूर्ण केवल सिग्नल नहीं, बल्कि पोज़िशन आकार का अधिकार है। यह foundation-first दृष्टिकोण है: पहले एक ठोस बाधा ढाँचा, फिर "बुद्धिमत्ता"।

व्यवहार में इससे क्या मिलता है

• पोर्टफोलियो में आवेगपूर्ण असंतुलन की कम संभावनाएँ।
• स्पष्ट तर्क कि ट्रेड का आकार जो है, वैसा क्यों है।
• अधिक उपयुक्त बैकटेस्टिंग प्रयोग।
• पुनरावृत्तियों के लिए सुविधाजनक आधार: आप रिस्क ढाँचे को तोड़े बिना विश्लेषकों को बेहतर बना सकते हैं।

आत्म-धोखे के बिना परिणाम कैसे पढ़ें

इस तरह की किसी भी परियोजना को "ओवरहाइप" करना आसान है यदि आप केवल एक सुंदर रन देखें। यहाँ एक ईमानदार मूल्यांकन चेकलिस्ट है:

1. बाज़ारों में स्थिरता। क्या यह रेंज वाले बाज़ारों में उतना ही काम करता है जितना ट्रेंड वाले बाज़ारों में?
2. स्ट्रेस टेस्ट। घबराहट, गैप, तीव्र उलटफेर के दौरान क्या होता है?
3. ओवरफ़िटिंग। क्या प्रॉम्प्ट का तर्क विशिष्ट टिकरों और अवधियों के अनुरूप ट्यून किया गया है?
4. डेटा गुणवत्ता। क्या कमीशन, स्लिपेज और स्प्लिट को ध्यान में रखा गया है?
5. पुनरुत्पादनीयता। क्या एक हफ़्ते बाद वही प्रॉम्प्ट वही परिणाम देंगे (LLM नॉन-डिटरमिनिस्टिक होते हैं)?

सीमाएँ और ईमानदार आकलन

यह समझना महत्वपूर्ण है कि AI Hedge Fund क्या नहीं है:

• यह प्रोडक्शन सिस्टम नहीं है। कोई वास्तविक निष्पादन नहीं, कोई लिक्विडिटी मॉडलिंग नहीं।
• LLM पर निर्भरता। निर्णय की गुणवत्ता पूरी तरह से मॉडल की गुणवत्ता से निर्धारित होती है। GPT-4 और GPT-3.5 अलग-अलग परिणाम देंगे।
• कोई ऐतिहासिक बैकटेस्ट नहीं। आप सिस्टम को 5 साल के डेटा पर नहीं चला सकते और एक इक्विटी कर्व प्राप्त नहीं कर सकते।
• डिटरमिनिज़्म। तापमान > 0 वाले LLM समान इनपुट के लिए अलग-अलग उत्तर देंगे।

लिंक

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

निष्कर्ष

AI Hedge Fund "पैसा कमाने की मशीन" के रूप में नहीं, बल्कि एक सोचने के ढाँचे के रूप में उपयोगी है:

• विश्लेषक भूमिकाओं को अलग करें।
• विचार निर्माण को जोखिम नियंत्रण से अलग करें।
• निर्णयों को व्याख्येय बनाएँ।
• परिकल्पनाओं का परीक्षण करें, लेकिन बैकटेस्टिंग को लाभ की गारंटी के साथ भ्रमित न करें।

सीखने और प्रोटोटाइपिंग के लिए — ठोस काम। प्रोडक्शन के लिए, आपको अगली परत चाहिए: यथार्थवादी निष्पादन, डेटा सत्यापन, model drift नियंत्रण, और नियमों के स्तर पर एक उचित रिस्क समिति, न कि केवल प्रॉम्प्ट।