AI Hedge Fund: een multi-agent fonds waarin AI-analisten over trades stemmen

AI Hedge Fund is een van de meest besproken opensourceprojecten op het snijvlak van LLM's en trading. Meer dan 12.000 GitHub-sterren, honderden forks, enthousiaste posts op Twitter. Maar haal de hype weg en kijk nuchter: de waarde zit niet in "een neuraal netwerk dat geld verdient", maar in een architectuurpatroon — hoe je een team van AI-analisten organiseert zodat elk zijn expertise inbrengt zonder dat één enkele de portefeuille opblaast.

Disclaimer van de projectauteur: Dit is geen systeem voor echt geld — het is een zandbak voor experimenten.

Kernidee: geen goeroe, maar een commissie

De meeste AI-tradingbots zijn eenvoudig: een LLM krijgt data → produceert een signaal → trade. AI Hedge Fund werkt fundamenteel anders: het gebruikt een team van agenten met verschillende denkstijlen.

Elke agent is een gespecialiseerd LLM met een eigen prompt en eigen databronnen:

De agenten werken sequentieel: eerst geeft elke analist zijn beoordeling (kopen/verkopen/houden met onderbouwing), daarna controleert de risicomanager de toelaatbaarheid, en pas daarna vormt de portefeuillebeheerder een concrete actie.

Waarom "eerst risico, daarna actie" juist is

Het sterkste deel van het project is niet "LLM-magie" — het is de volgorde van besluitvorming.

De klassieke fout in AI-tradingsystemen is het model volledige vrijheid geven: "hier is $100K, doe wat je wilt." AI Hedge Fund werkt anders:

1. Beoordeling van het risicobudget. Voordat een agent een trade voorstelt, evalueert het systeem hoeveel risico de portefeuille kan opvangen — rekening houdend met volatiliteit, huidige posities en correlaties tussen assets.

2. Groottefiltering. Een agent kan geen positie voor de hele inleg "verzinnen". Als de limiet slechts 5% toestaat — dan slechts 5%, hoe overtuigend het signaal ook is.

3. Aggregatie van meningen. De portefeuillebeheerder ziet niet alleen "kopen/verkopen", maar de gedetailleerde argumenten van elke analist. Uiteenlopende meningen zijn geen bug — het is een feature: als de value-analist "goedkoop" zegt maar de technische analist "neerwaartse trend", dan neemt de positiegrootte af.

Bij beleggen telt niet alleen het signaal, maar het recht op een positiegrootte. Dit is de foundation-first-aanpak: eerst een solide kader van beperkingen, dan "intelligentie".

Wat dit in de praktijk oplevert

• Minder kansen op impulsieve scheefgroei van de portefeuille.
• Heldere logica waarom een tradegrootte is wat hij is.
• Adequatere backtesting-experimenten.
• Handige basis voor iteraties: je kunt analisten verbeteren zonder het risicokader te breken.

Hoe je resultaten leest zonder zelfbedrog

Elk project als dit is makkelijk te "overhypen" als je alleen naar een mooie run kijkt. Hier een eerlijke beoordelingschecklist:

1. Stabiliteit over markten heen. Werkt het in zijwaartse markten net zo goed als in trendmarkten?
2. Stresstests. Wat gebeurt er tijdens paniek, gaps, scherpe omkeringen?
3. Overfitting. Is de promptlogica afgestemd op specifieke tickers en periodes?
4. Datakwaliteit. Worden commissies, slippage en splits meegenomen?
5. Reproduceerbaarheid. Geven dezelfde prompts over een week hetzelfde resultaat (LLM's zijn niet-deterministisch)?

Beperkingen en een eerlijke beoordeling

Het is belangrijk te begrijpen wat AI Hedge Fund niet is:

• Geen productiesysteem. Geen echte uitvoering, geen liquiditeitsmodellering.
• LLM-afhankelijkheid. De kwaliteit van beslissingen wordt volledig bepaald door de kwaliteit van het model. GPT-4 en GPT-3.5 geven verschillende resultaten.
• Geen historische backtest. Je kunt het systeem niet over 5 jaar aan data laten lopen en een equity-curve krijgen.
• Determinisme. LLM's met temperatuur > 0 geven verschillende antwoorden op identieke invoer.

Links

• 💻 GitHub: virattt/ai-hedge-fund
• 📄 Licentie: MIT

Conclusie

AI Hedge Fund is nuttig, niet als een "geldmachine", maar als een denkkader:

• Scheid de rollen van de analisten.
• Scheid ideegeneratie van risicobeheersing.
• Maak beslissingen verklaarbaar.
• Test hypotheses, maar verwar backtesting niet met winstgaranties.

Voor leren en prototypen — solide werk. Voor productie heb je de volgende laag nodig: realistische uitvoering, datavalidatie, controle op model drift en een echte risicocommissie op het niveau van regels, niet alleen prompts.