AI Hedge Fund Stack

真正的投资护城河不在于 AI 模型本身，而在于底层数据的“接线”（Wiring）和纪律。

开源实践：ai-hedge-fund (GitHub 5w+ Star)

这是一个典型的 L4 层实现，展示了多智能体协作在投资领域的潜力：

大佬蒸馏：将巴菲特、索罗斯等 13 位顶级大佬的投资哲学蒸馏为独立的 AI Agent。
智能体共议：通过导师 Agent 汇总各路观点，最终生成操盘建议。
回测保护：自带历史数据回测功能，通过数据实证减少盲目操作。 [来源：2026-06-18-x-x-com-xamto_ai-status-2067187747916480723-s-46（来源未公开）]

L4 — AI Agents (剧场层)：如 irattt/ai-hedge-fund 或 TauricResearch/TradingAgents。这一层是面向用户的“展示”，通过多角色辩论生成结论，但模型本身不是核心壁垒。
L3 — 财报分析 (增量读取)：使用 edgar-crawler 等工具提取财报（10-K/Q）中的关键部分（如 Risk Factors, MD&A），并进行 Year-over-Year 的差异对比，只读变化的部分。
L2 — 风险筛查 (学术算法)：利用 FinanceToolkit 运行经典的学术筛查算法，如：
- Beneish M-Score：财务造假概率。
- Altman Z-Score：破产风险。
- Piotroski F-Score：公司财务实力。
- Sloan Accruals：收益质量。
L1 — 真实数据 (真理层)：直接连接 SEC EDGAR 等权威数据源，绝不允许模型编造数字。

投资 Agent 的核心壁垒在于将真实数据、纪律性数学算法与 Agent 系统串联起来的能力。

Source: 2026-06-17-x-x-com-viviennabtc-status-2061682788915638337-s-46（来源未公开）

根据桥水基金 Applied AI 团队负责人 Brenda McManus 的体系化分享，顶级系统化宏观对冲基金构建投研 Agent 的工业级经验如下：

动态工作流图 (Dynamic Workflow Graph)：宏观投研不可使用僵硬的硬编码流水线，而是将投研任务拆解为包含假设生成、数据抽取、统计校验、因果分析与情景推演的动态图结构，由 Agent 根据输入灵活路由。
确定性代码生成 vs 概率性 LLM 推理：
- 严禁直接让 LLM 进行数值计算或复杂统计算法（存在不可预测的幻觉）。
- 正确范式：LLM 仅负责理解业务意图并生成严格的 Python 确定性分析代码，在隔离沙盒环境中执行代码并产出确切数据与图表。
严格的上下文工程 (Context Engineering)：避免把海量原始宏观数据（如海量经济指标、研报原文）一股脑灌入上下文窗口。采用分层提取机制，由子 Agent 提炼局部事实与结构化摘要后按需注入。
闭环验证与异常熔断 (Verification & Guardrails)：每一轮工具调用和数据读取必须经过 Schema 强类型校验与逻辑边界测试，遇到异常自动触发重试或人工审查熔断。

Source: 2026-08-15-xiaohongshu-xhslink-cn-o-9NOZ9RHOQdG-be5f27726e（来源未公开）