Un nouveau fonds spéculatif IA basé sur 12 investisseurs légendaires obtient 51 000 étoiles sur GitHub

Un projet open source qui transforme les philosophies de 12 investisseurs emblématiques en un système d'IA multi-agents pour l'analyse boursière a captivé l'attention de la communauté des développeurs, dépassant les 51 700 étoiles sur GitHub. Le projet, baptisé AI Hedge Fund, permet aux utilisateurs d'obtenir des perspectives boursières à partir des personas IA de Warren Buffett, Charlie Munger et Peter Lynch, entre autres, et a été forké plus de 9 000 fois depuis sa sortie.

« L'idée centrale est d'encoder les philosophies d'investissement dans des agents, offrant aux investisseurs particuliers un "modèle de maître" », a déclaré Virat Singh, le développeur indépendant à l'origine du projet. Le système utilise une équipe de 18 agents au total — 12 basés sur des investisseurs célèbres et six agents spécialisés pour des tâches telles que l'évaluation et la gestion des risques — pour débattre et décider d'un signal de trading final.

L'architecture technique du projet utilise une combinaison de frameworks populaires, avec un front-end construit sur React et TypeScript et un back-end Python et FastAPI. Il utilise LangGraph pour orchestrer les flux de travail multi-agents, permettant à chaque agent de transmettre des informations via un dictionnaire de données partagé. Le système peut se connecter à 13 grands modèles de langage, y compris ceux d'OpenAI, Anthropic et Groq, et peut également être exécuté localement avec des modèles open source via Ollama.

Pour les investisseurs, le projet offre une nouvelle façon de tester la solidité des idées, non pas comme une recommandation unique, mais comme un débat entre des stratégies conflictuelles. L'inclusion de figures aux vues opposées, telles que l'investisseur axé sur la valeur Ben Graham et Cathie Wood axée sur la croissance, est une caractéristique clé. Le résultat final est une synthèse de ces différentes approches, gérée par un agent dédié aux fonctions de gestionnaire de portefeuille.

Architecture et Backtesting

Le système AI Hedge Fund est conçu avec une architecture à trois niveaux. Le front-end dispose d'un éditeur visuel basé sur React Flow, qui permet aux utilisateurs de glisser-déposer des nœuds d'agents pour construire des comités d'investissement personnalisés. Ce flux de travail visuel offre une manière plus intuitive de concevoir et de comprendre la logique d'une stratégie de trading par rapport aux approches uniquement basées sur le code.

Le back-end s'appuie sur LangGraph pour gérer l'état et le flux d'informations entre les agents. Tous les agents partagent un dictionnaire de données commun AgentState, assurant la cohérence lorsqu'une action est analysée sous plusieurs perspectives. Les données sont injectées dans le système via diverses API, avec un support pour les sources de données financières professionnelles. Une fonctionnalité clé pour l'analyse quantitative est le module de backtesting intégré. Un utilisateur peut tester une stratégie par rapport aux données historiques pour des titres comme AAPL, MSFT et NVDA afin de voir les mesures de performance avant d'engager des capitaux.

Une tendance plus large

AI Hedge Fund s'inscrit dans une tendance croissante d'« agentification » des stratégies d'investisseurs bien connus. Des projets similaires émergent, visant à démocratiser l'accès à l'analyse d'investissement sophistiquée. Cependant, le développeur note que le projet n'a pas été testé avec des fonds réels et ne garantit pas de rendements.

Le projet a suscité des discussions sur son utilisation pratique. Un utilisateur a demandé comment agir lorsque les « maîtres » de l'IA ont des opinions divergentes. Le projet de Singh répond à cela en confiant la décision finale à un agent gestionnaire de portefeuille, mais comme certains utilisateurs l'ont noté, la valeur peut résider dans l'écoute du débat lui-même. Bien que le système puisse reproduire une philosophie d'investissement, il ne peut pas en reproduire les résultats. Pour l'instant, il sert d'outil pédagogique puissant et de cadre pour construire des systèmes d'analyse financière basés sur des agents plus avancés.

Cet article est fourni à titre informatif uniquement et ne constitue pas un conseil en investissement.