AI Hedge Fund — один из самых обсуждаемых open-source проектов на стыке LLM и трейдинга. 12 000+ звёзд на GitHub, сотни форков, восторженные посты в Twitter. Но если убрать хайп и посмотреть трезво, ценность проекта не в «нейросети, которая зарабатывает», а в архитектурном паттерне: как организовать коллектив AI-аналитиков так, чтобы каждый вносил свою экспертизу, но никто не мог в одиночку разнести портфель.
Дисклеймер от автора проекта: это не система для реальных денег, а песочница для экспериментов.
Главная идея: не один гуру, а комитет
Большинство AI-торговых ботов устроены просто: один LLM получает данные → выдаёт сигнал → торгуем. AI Hedge Fund устроен принципиально иначе: здесь команда агентов с разными стилями мышления.
Каждый агент — это специализированный LLM с собственным промптом и источниками данных:
| Агент | Стиль анализа | На что смотрит |
|---|---|---|
| Value Analyst | Стоимостная оценка | P/E, P/B, DCF, маржинальность |
| Technical Analyst | Технический анализ | RSI, MACD, скользящие, уровни |
| Sentiment Analyst | Настроения рынка | Новости, соцсети, тональность |
| Fundamentals Analyst | Фундаментальный анализ | Выручка, прибыль, долг, рост |
| Risk Manager | Контроль рисков | Волатильность, корреляции, лимиты |
| Portfolio Manager | Финальное решение | Сводит мнения, формирует ордера |
Агенты работают последовательно: сначала каждый аналитик выдаёт свою оценку (buy/sell/hold с обоснованием), затем риск-менеджер проверяет допустимость, и только потом портфельный менеджер формирует конкретное действие.
Почему «сначала риск, потом действие» — это правильно
Самая сильная часть проекта — не «магия LLM», а последовательность принятия решения.
Классическая ошибка AI-торговых систем — дать модели полную свободу: «вот тебе $100K, делай что хочешь». AI Hedge Fund работает иначе:
-
Оценка бюджета риска. Прежде чем любой агент предложит сделку, система оценивает, сколько риска портфель вообще может переварить — с учётом волатильности, текущих позиций и корреляции активов.
-
Фильтрация размера. Агент не может «нафантазировать» позицию на весь депозит. Если лимит позволяет только 5% — значит, только 5%, каким бы убедительным ни был сигнал.
-
Агрегация мнений. Портфельный менеджер видит не просто «buy/sell», а развёрнутые аргументы каждого аналитика. Расхождение мнений — это не баг, а фича: если value-аналитик говорит «дёшево», а technical — «тренд вниз», размер позиции уменьшается.
В инвестициях важен не только сигнал, но и право на размер позиции. Это и есть foundation-first подход: сначала прочный каркас ограничений, потом «интеллект».
Что это даёт на практике
- Меньше шансов на импульсивные перекосы в портфеле.
- Понятная логика, почему размер сделки именно такой.
- Более адекватные эксперименты в бэктесте.
- Удобная почва для итераций: можно улучшать аналитиков, не ломая контур риска.
Как читать результаты без самообмана
Любой подобный проект легко «перехвалить», если смотреть только на красивый прогон. Вот чек-лист для честной оценки:
- Стабильность на разных рынках. Работает ли на флэте так же, как на тренде?
- Стресс-тесты. Что происходит в паникe, при гэпах, при резком развороте?
- Переобучение. Не подогнана ли логика промптов под конкретные тикеры и период?
- Качество данных. Учтены ли комиссии, проскальзывание, сплиты?
- Воспроизводимость. Дадут ли те же промпты тот же результат через неделю (LLM недетерминистичны)?
Ограничения и честная оценка
Важно понимать, чем AI Hedge Fund не является:
- Не продакшен-система. Нет реального исполнения, нет учёта ликвидности.
- Зависимость от LLM. Качество решений целиком определяется качеством модели. GPT-4 и GPT-3.5 дадут разные результаты.
- Нет бэктеста на истории. Нельзя прогнать систему на 5 годах данных и получить equity-кривую.
- Детерминизм. LLM с temperature > 0 выдаст разные ответы на одинаковый вход.
Ссылки
- 💻 GitHub: virattt/ai-hedge-fund
- 📄 Лицензия: MIT
Вывод
AI Hedge Fund полезен не как «машина для заработка», а как конструктор мышления:
- Разделяй роли аналитиков.
- Отделяй генерацию идеи от контроля риска.
- Делай решения объяснимыми.
- Проверяй гипотезы, но не путай бэктест с гарантией прибыли.
Для обучения и прототипирования — сильная работа. Для продакшена нужен следующий слой: реалистичное исполнение, валидация данных, контроль дрейфа моделей и полноценный риск-комитет на уровне правил, а не только промптов.
