Kurze Zusammenfassung
Das Video stellt ein Open-Source-Python-Projekt namens "Trading Agents" vor, ein Multi-Agenten-LLM-Framework, das die Struktur einer realen Wall Street-Handelsfirma nachbildet. Es besteht aus verschiedenen LLM-gesteuerten Agenten, die unterschiedliche Rollen wie Fundamentalanalyst, Sentimentanalyst, Nachrichtenanalyst, technischer Analyst, Bullen- und Bärenforscher, Trader, Risikomanagement und Portfoliomanager übernehmen. Das System lernt aus vergangenen Trades und bietet eine nachvollziehbare Entscheidungsfindung im Gegensatz zu Black-Box-Systemen.
- Das Projekt hat über 53.000 Sterne auf GitHub und eine Apache 2.0 Lizenz.
- Es ermöglicht eine transparente und nachvollziehbare Entscheidungsfindung im Handel.
- Es ist als Forschungsrahmen gedacht und nicht als Finanzberatung.
Intro
Das Video beginnt mit der Vorstellung eines Python-Projekts namens "Trading Agents", das auf GitHub große Aufmerksamkeit erregt hat. Dieses Projekt ist ein Multi-Agenten-LLM-Framework, das die Struktur einer realen Wall Street-Handelsfirma simuliert. Es hat über 53.000 Sterne und fast 10.000 Forks erhalten und ist unter der Apache 2.0-Lizenz verfügbar. Das Projekt wurde ursprünglich als Forschungspapier an der UCLA entwickelt und hat seitdem stetig an Popularität gewonnen.
Das README
Der Kern der Idee ist, dass echte Hedgefonds nicht nur eine Person haben, die Aktien auswählt, sondern ganze Teams, die miteinander diskutieren, um eine fundierte Position zu erarbeiten. Die Autoren haben die Funktionsweise einer typischen Handelsfirma analysiert, sie in spezialisierte Rollen unterteilt und für jede Rolle einen LLM-Agenten entwickelt. Das Analystenteam besteht aus vier Agenten, die parallel arbeiten: Fundamentalanalyst, Sentimentanalyst, Nachrichtenanalyst und technischer Analyst.
Warum es wichtig ist
Der Hauptunterschied zu anderen algorithmischen Handelsframeworks besteht darin, dass "Trading Agents" eine vollständig nachvollziehbare Entscheidungsfindung ermöglicht. Im Gegensatz zu mechanischen oder Black-Box-Systemen kann man die Analystenberichte, die Debatten zwischen Bullen und Bären und die Gründe für die Entscheidungen des Traders und des Portfoliomanagers einsehen. Dies macht das System in einer Weise überprüfbar, die bei traditionellen quantitativen Systemen nicht möglich ist.
Das Datenblatt
Das Repository ist in Python geschrieben, hat über 53.000 Sterne und fast 10.000 Forks und wird unter einer Apache 2.0-Lizenz veröffentlicht. Das zugrunde liegende Paper ist auf ArcCIF als Paper 24.12.20138 mit vollständigen Zitaten veröffentlicht.
Die 4 Analysten
Der Fundamentalanalyst zieht die neuesten Einreichungen heran, führt eine Verhältnisanalyse durch und erstellt eine Schätzung des inneren Wertes. Der Sentimentanalyst bewertet Reddit, X und andere soziale Signale, um die kurzfristige Stimmung einzuschätzen. Der Nachrichtenanalyst verfolgt globale makroökonomische Indikatoren und wichtige Ereignisse, die die Preise bewegen. Der technische Analyst führt MACD, RSI, Bollinger Bands und andere Standardmustererkennungswerkzeuge aus. Alle vier arbeiten parallel und erstellen einen schriftlichen Bericht.
Unter der Haube
Das gesamte System läuft auf LangGraph, wobei jeder Agent ein Knoten in einem gerichteten Graphen ist und jeder Übergang zwischen den Knoten als Checkpoint gespeichert wird. Diese Checkpoint-Funktion ist optional, ermöglicht aber die Wiederaufnahme nach einem Absturz, ohne die bisherige Arbeit zu verlieren. Es gibt auch ein persistentes Entscheidungsprotokoll, das jede abgeschlossene Ausführung mit Begründung in einer Markdown-Datei speichert. Bei der nächsten Ausführung für dasselbe Ticker-Symbol werden die realisierten Renditen abgerufen, Alpha gegen den SPY-Benchmark berechnet und eine Reflexion über die Ergebnisse in den Prompt des Portfoliomanagers eingefügt, sodass das System aus vergangenen Trades lernt.
Installation
Die Einrichtung ist unkompliziert: Man klont das Repository, erstellt eine Python-Umgebung, installiert die erforderlichen Pakete, setzt den API-Schlüssel für den gewünschten LLM-Anbieter und führt die CLI aus. Es werden fast alle wichtigen Modelle unterstützt, darunter OpenAI GPT, Google Gemini, Anthropic Cloud, XAI Grok, DeepSeek, QAN, TLM, OpenRouter und Ollama für lokale Modelle. Die CLI führt zu einer interaktiven Auswahl, bei der man Ticker-Symbol, Analysedatum, Anbieter und die Anzahl der Debattenrunden auswählt.
Letzte Version
Version 0.2.4 wurde am 25. April veröffentlicht und ist ein bedeutendes Release. Das wichtigste Feature sind strukturierte Output-Entscheidungsagenten. Der Research Manager, der Trader und der Portfoliomanager verwenden jetzt Pydantic-Schemas mit dem nativen Structured Output-Modus jedes Anbieters, was zu saubereren Entscheidungen und weniger Fehlern führt. DeepSeek, QN, GLM und Azure OpenAI werden nun ebenfalls unterstützt. Docker-Support mit Multi-Stage-Builds wurde hinzugefügt, und es gibt jetzt eine fünfstufige Bewertungsskala (Overweight, Hold, Underweight, Sell), die vom Research Manager, dem Portfoliomanager und dem persistenten Entscheidungsprotokoll konsistent verwendet wird.
Für wen es ist
Dieses Projekt ist besonders interessant für quantitative Forscher, die systematische Strategien entwickeln, Hobby-Trader, die mit KI-gestützter Analyse experimentieren möchten, Fintech-Gründer, die Tools für Privatanleger entwickeln, und Indie-Hacker, die sich für die Funktionsweise von Multi-Agenten-LLM-Systemen interessieren. Es bietet eine saubere Referenzimplementierung und eine permissive Lizenz zur Erweiterung.
Fazit
Die Verwendung des Systems verursacht Kosten durch LLM-Token, da jeder Analysezyklus mehrere parallele Analystenaufrufe sowie Debattenrunden und Aufrufe des Traders und des Portfoliomanagers auslöst. Die Autoren betonen, dass es sich um einen Forschungsrahmen und keine Finanzberatung handelt. Die simulierte Börse ist ein Backtest und keine Live-Broker-Integration. Trotz dieser Einschränkungen ist das Projekt real, mit einer Apache 2.0-Lizenz, über 53.000 Sternen in vier Monaten, wöchentlichen Releases, mehrsprachiger Dokumentation und einem veröffentlichten Paper, das die Architektur untermauert.
