自主交易的愿景
当 AI 接管华尔街的分析工作——这个项目究竟在做什么
想象一个 AI 投资团队
想象你雇了 19 位顶级投资分析师——沃伦·巴菲特、查理·芒格、迈克尔·伯里、凯西·伍德……每人有自己的投资哲学，分析同一支股票，然后一位投资组合经理综合所有意见做出最终交易决策。
ai-hedge-fund 就是这样的系统——但每个"分析师"都是一个 AI Agent，用代码模拟了传奇投资者的分析风格。
这个项目是教育和研究用途——不做真实交易，不是投资建议。它演示的是 AI Agent 协作的架构模式，不是炒股指南。
19 位 AI 分析师——每人一种哲学
系统里有 13 位模拟著名投资者的 Agent，加上 6 个专业分析 Agent：
Warren Buffett Agent
寻找"美好企业以合理价格"——品牌护城河、稳定现金流、长期持有。
Michael Burry Agent
反向投资者，专找被市场低估的深度价值股，有"大空头"精神。
Cathie Wood Agent
科技颠覆性增长投资——ARK Innovation 风格，押注 5-10 年后的未来。
Risk Manager Agent
不分析个股——专门计算波动率、最大回撤、相关性，控制整体风险敞口。
代码翻译：系统的主入口
整个对冲基金系统的启动代码（来自 src/main.py）展示了它如何组装所有 Agent：
def run_hedge_fund(
tickers: list[str],
portfolio: dict,
selected_analysts: list[str] = [],
model_name: str = "gpt-4.1",
):
workflow = create_workflow(selected_analysts)
agent = workflow.compile()
final_state = agent.invoke({
"messages": [HumanMessage(
"Make trading decisions."
)]
})
return final_state
run_hedge_fund：启动整个 AI 对冲基金分析流程
tickers：要分析的股票代码列表，比如 ["AAPL", "TSLA"]
portfolio：当前持仓情况——持有什么、多少股、多少现金
selected_analysts：选哪些 AI 分析师参与（可以只用部分）
model_name：用哪个大语言模型（GPT/Claude/DeepSeek 都可以）
创建 LangGraph 工作流——把所有选中的 Agent 串成有向图
编译工作流，生成可执行的 Agent 系统
发起运行：给整个系统一个"做交易决策"的指令
等所有 Agent 跑完，返回最终状态（包含每个分析师的信号和最终决策）
初步理解检验
你想给 ai-hedge-fund 添加一个新的"ESG 投资分析师"Agent（只投资环保公司）。你需要修改什么？
Agent 团队架构
基本面 / 技术面 / 情绪 / 风险——四类分析师如何分工协作
LangGraph：Agent 的交通调度员
19 个 AI Agent 需要协作——谁先跑，谁后跑，数据怎么传？ai-hedge-fund 用 LangGraph 来管理这个协作——就像交通调度员，让每辆车（Agent）在正确的时间经过正确的路口。
第一层：独立分析师（并行执行）
第二层：风险控制
第三层：最终决策
代码翻译：Fundamentals Agent 的分析逻辑
以基本面分析师为例，看看一个分析 Agent 如何工作（来自 src/agents/fundamentals.py）：
def fundamentals_analyst_agent(state, agent_id):
financial_metrics = get_financial_metrics(
ticker=ticker, end_date=end_date
)
return_on_equity = metrics.return_on_equity
thresholds = [
(return_on_equity, 0.15),
(net_margin, 0.20),
]
score = sum(m > t for m, t in thresholds)
signal = "bullish" if score >= 2 else "bearish"
基本面分析师函数：分析股票的财务健康状况
调用金融数据 API，获取该股票的财务指标
（股票代码和截止日期）
提取净资产收益率（ROE）——衡量公司用股东钱赚钱的效率
设置评分标准：
ROE 超过 15% 得 1 分（说明资金使用效率高）
净利润率超过 20% 得 1 分（说明赚钱能力强）
统计总分
得分 2 以上：看多（bullish）；否则：看空（bearish）
并行执行的力量
19 个分析师 Agent 分析同一支股票——如果串行执行，一个接一个，可能需要几分钟。ai-hedge-fund 利用 LangGraph 的并行执行特性，让多个 Agent 同时分析：
架构理解测验
Fundamentals Agent 分析完 AAPL 得出 bullish 信号。它如何把这个结论传给 Portfolio Manager？
信号聚合
19 个分析师意见不一，Portfolio Manager 如何做出最终决定
投票还是加权平均？
想象一场投资委员会会议：Buffett 说买，Burry 说卖，Cathie Wood 说强买，基本面分析说中性……Portfolio Manager 的任务是综合这 19 个声音，做出一个决定。
ai-hedge-fund 的做法是把所有信号打包交给 LLM 做最终综合——Portfolio Manager 本身也是一个 AI Agent！
AgentState：Agent 之间的公告板
所有 Agent 通过 AgentState 传递信息。这个状态对象的结构展示了系统的数据模型：
你是 Portfolio Manager
分析完 TSLA 后，信号如下：Cathie Wood Agent: 强烈看多、Fundamentals Agent: 看空（亏损）、Risk Manager: 最大仓位 $20,000（因高波动率）、Sentiment Agent: 看多（马斯克发推）。你有 $100,000 可用资金。