AI Hedge Fund: мультиагентный фонд, где AI-аналитики голосуют за сделку

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:

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:

1. 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.

2. Фильтрация размера. Агент не может «нафантазировать» позицию на весь депозит. Если лимит позволяет только 5% — значит, только 5%, каким бы убедительным ни был сигнал.

3. 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:

1. Стабильность на разных рынках. Работает ли на флэте так же, как на тренде?
2. Стресс-тесты. Что происходит в паникe, при гэпах, при резком развороте?
3. Переобучение. Не подогнана ли логика промптов под конкретные тикеры и период?
4. Качество данных. Учтены ли комиссии, проскальзывание, сплиты?
5. 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.