AutoHedge: Recensione dell'hedge fund AI autonomo basato sull'intelligenza sciame

Negli ultimi anni stiamo assistendo a un graduale spostamento dal trading algoritmico classico (basato su regole rigide e modelli matematici) verso agenti AI autonomi, capaci di analizzare il contesto, le notizie e i dati non strutturati.

Uno dei progetti open source più interessanti in questo ambito è AutoHedge di The Swarm Corporation. Si tratta di un sistema di livello enterprise che combina l'intelligenza sciame (swarm intelligence) e agenti AI specializzati per l'intero ciclo di trading: dall'analisi di mercato alla valutazione dei rischi e all'esecuzione degli ordini.

Analizziamo nel dettaglio come è strutturato questo hedge fund AI e perché l'architettura multi-agente sta diventando il nuovo standard.

Architettura: Dividi et impera

Invece di affidarsi a un'unica LLM (Large Language Model) gigantesca che tenta di analizzare le notizie, calcolare la volatilità e inviare ordini contemporaneamente (il che di solito porta ad allucinazioni e alla perdita del deposito), AutoHedge utilizza una rigorosa gerarchia di agenti specializzati.

L'intero pipeline può essere rappresentato con il seguente schema di routing:

Director Agent ➔ Quant Agent ➔ Risk Manager ➔ Execution Agent

1. Director Agent (Direttore del Trading)

È il "cervello" e coordinatore dell'intero sistema. Si occupa della generazione di ipotesi di trading di alto livello (theses) e della gestione strategica complessiva. Il Director analizza il contesto macroeconomico e decide quale moneta o azione esaminare, per poi delegare il compito agli agenti altamente specializzati. Lavora inoltre in sinergia con il Sentiment Agent, che aggrega il contesto delle notizie tramite strumenti di ricerca (Exa Search).

2. Quant Agent (Analista Quantitativo)

Ricevuta l'ipotesi dal Director, questo agente effettua una rigorosa analisi quantitativa e tecnica. In output produce un JSON strutturato con le seguenti metriche:

• technical_score (da 0 a 1)
• volume_score
• trend_strength
• probability_score
• Livelli chiave: supporto, resistenza, pivot points.

Per l'acquisizione dei dati, il Quant Agent utilizza integrazioni con Yahoo Finance, Polygon API e Jupiter (per i dati on-chain).

3. Risk Manager (Gestore del Rischio)

È l'elemento chiave per la "sopravvivenza" di qualsiasi fondo. Prima che qualsiasi ordine venga inviato alla borsa, passa attraverso il Risk Agent. Questo agente riceve in input l'asset, l'ipotesi iniziale e i risultati dell'analisi quantitativa. Il suo compito è produrre:

• La dimensione della posizione raccomandata (Position sizing).
• Il rischio di drawdown massimo (Maximum drawdown risk).
• La valutazione del rischio di mercato.
• Il punteggio di rischio complessivo (Overall risk score).

4. Execution Agent (Agente di Esecuzione)

È l'ultimo anello della catena. Ottenuta l'approvazione dal Risk Manager, l'Execution Agent formula l'ordine di trading specifico. Determina:

• Il tipo di ordine (Market / Limit).
• La quantità esatta dell'asset.
• Il prezzo di ingresso.
• Stop Loss (SL) e Take Profit (TP).
• Time in force (durata di validità dell'ordine).

L'intero sistema è progettato per ridurre al minimo l'intervento umano: l'output di un agente diventa un input rigoroso e validato per il successivo.

Sotto il cofano: il Framework Swarms

AutoHedge è costruito sul framework Swarms, ottimizzato per la creazione di sistemi multi-agente. Nel codebase (nel file workers.py) si può vedere che ogni agente viene inizializzato con un chiaro system_prompt e un modello fisso (ad esempio GPT-4o per l'analisi, GPT-4.1 per catene logiche più complesse).

Una caratteristica distintiva è il rigoroso Risk-First Design: l'architettura forza il passaggio di tutte le decisioni attraverso il Risk Manager. Se il Risk Manager restituisce un rifiuto (alto overall risk score), l'Execution Agent non riceverà il comando per generare l'ordine.

Infrastruttura e supporto alle piattaforme

Al momento AutoHedge si concentra sul DeFi:

• Solana (supporto completo): L'integrazione con l'aggregatore Jupiter API consente di operare in modo completamente autonomo on-chain, trovare i prezzi migliori ed eseguire swap istantaneamente direttamente dal wallet il cui chiave privata è indicata nel file .env.
• Coinbase (in sviluppo): Il supporto per i classici exchange centralizzati è atteso nel prossimo futuro.

Avviare il proprio hedge fund AI

Avviare il sistema è sorprendentemente semplice. Saranno necessarie le chiavi di OpenAI (il sistema supporta nativamente OpenRouter e altre API compatibili con OpenAI tramite la variabile OPENAI_BASE_URL), Jupiter API per i dati e la chiave privata del wallet di trading:

pip install -U autohedge

OPENAI_BASE_URL="https://openrouter.ai/api/v1"
OPENAI_API_KEY="sk-or-v1-..."
JUPITER_API_KEY=...
WALLET_PRIVATE_KEY=...

autohedge

(Per utilizzare modelli specifici da OpenRouter, ad esempio Claude 3.5, è sufficiente modificare model_name nel file workers.py).

Il futuro del trading autonomo

AutoHedge mostra la direzione in cui si sta muovendo l'algotrading. Il passaggio da script rigidi (if-else) a ensemble di agenti AI consente al sistema di adattarsi a un mercato in continua evoluzione.

Invece di riscrivere il codice al cambio di regime di mercato (bull/bear/crab), è possibile semplicemente fornire nuove istruzioni (prompt) al Director, mentre il Quant Agent troverà autonomamente nuovi pattern tecnici.

Sebbene il progetto sia ancora in fase di sviluppo attivo (ed è consigliabile usarlo con cautela con capitali reali significativi), offre un'eccellente base architetturale (grazie alla licenza open source MIT) per chi vuole creare il proprio trader "robotico" che non dorme, non si stanca e segue rigorosamente la gestione del rischio.