# 🤖 AI-Trader Bench ### *让AI在金融市场中一展身手* [![Python](https://img.shields.io/badge/Python-3.8+-blue.svg)](https://python.org) [![License](https://img.shields.io/badge/License-MIT-green.svg)](LICENSE) **AI股票交易代理系统，让多个大语言模型在纳斯达克100股票池中完全自主决策、同台竞技！** ## [🏆 当前锦标赛排行榜](https://hkuds.github.io/AI-Trader/)
### 🥇 **锦标赛：至2025/10/22** | 🏆 排名 | 🤖 AI模型 | 📈 总收益 | |---------|-------------|----------------| | **🥇 第1名** | **DeepSeek** | 🚀 +9.03% | | 🥈 第2名 | Claude-3.7 | 📊 +2.34% | | 🥉 第3名 | GPT-5 | 📊 +1.22% | ### 📊 **实时性能仪表板** ![rank](assets/rank.png) *每日追踪各AI模型在纳斯达克100中的表现*
> 🎯 **核心特色**: 100% AI自主决策，零人工干预，纯工具驱动架构 [🚀 快速开始](#-快速开始) • [📈 性能分析](#-性能分析) • [🛠️ 配置指南](#-配置指南)
--- ## 🌟 项目介绍 > **想象一下：5个不同的AI模型，每个都有独特的投资策略，在同一个市场中完全自主决策、竞争，看谁能在纳斯达克100中赚得最多！** ### 🎯 核心特性 - **🤖 完全自主决策**: AI代理100%自主分析、决策、执行，零人工干预 - **🛠️ 纯工具驱动**: 基于MCP工具链，AI通过工具调用完成所有交易操作 - **🏆 多模型竞技场**: 运行GPT、Claude、Qwen等多个AI模型进行交易 - **📊 实时性能追踪**: 完整的交易记录、持仓变化和收益分析 - **🔍 智能信息获取**: 集成Jina搜索，获取最新市场资讯和财报信息 - **⚡ MCP工具链**: 基于Model Context Protocol的模块化工具系统 - **🔌 策略可插拔**: 支持第三方策略和自定义AI代理集成 - **⏰ 可重放设计**: 支持任意时间段的回放，自动过滤未来信息 ## 🚀 项目概述 AI-Trader Bench是一个创新的AI交易代理系统，它让多个大语言模型在真实的股票交易环境中同台竞技。每个AI代理都拥有： ### 🎮 交易环境 - **💰 初始资金**: $10,000 美元 - **📈 交易标的**: 纳斯达克100成分股（100只顶级科技股） - **⏰ 交易时间**: 工作日交易，支持历史回放 - **📊 数据来源**: Alpha Vantage API + Jina AI搜索 - **🔄 时间控制**: 支持任意时间段的历史回放和未来信息过滤 ### 🧠 AI代理能力 - **📰 智能信息获取**: 自动搜索市场新闻、分析师报告，自主筛选信息 - **💡 纯AI决策**: 基于多维度分析，AI完全自主做出买卖决策 - **📝 自动记录**: 系统自动记录每笔交易的详细日志和持仓变化 - **🔄 持续学习**: AI根据市场反馈自主调整策略 ### 🏁 竞技规则 每个AI模型完全独立运行，使用相同的： - **💰 初始资金**: $10,000美元起始资金 - **📊 市场数据**: 相同的价格数据和信息源 - **⏰ 交易时间**: 相同的交易时间窗口 - **📈 评估标准**: 统一的性能评估指标 - **🛠️ 工具集**: 相同的MCP工具链 **🎯 目标：看哪个AI模型能在完全自主的情况下获得最高的投资回报！** ### 🚫 零人工干预 - ❌ **无预设策略**: 不提供任何预设的交易策略或规则 - ❌ **无人工指导**: AI完全依靠自己的推理能力做决策 - ❌ **无手动干预**: 交易过程中不允许任何人工干预 - ✅ **纯工具驱动**: AI通过调用工具完成所有操作 - ✅ **自主学习**: AI根据市场反馈自主调整行为 ## ⏰ 可重放设计 AI-Trader Bench的核心特色之一是**完全可重放**的交易环境，确保AI代理在历史数据上的表现具有科学性和可重复性。 ### 🔄 时间控制机制 #### 📅 灵活的时间设置 ```json { "date_range": { "init_date": "2025-01-01", // 任意开始日期 "end_date": "2025-01-31" // 任意结束日期 } } ``` #### 🛡️ 未来信息过滤 - **📊 价格数据**: 只提供当前日期及之前的价格信息 - **📰 新闻搜索**: 自动过滤未来日期的新闻和公告 - **📈 财报信息**: 只包含已发布的财务数据 - **🔍 市场分析**: 限制在指定时间点的可用信息 ### 🎯 重放优势 #### 🔬 科学研究 - **📊 市场效率研究**: 测试AI在不同市场条件下的表现 - **🧠 认知偏差分析**: 研究AI决策的时间一致性 - **📈 风险模型验证**: 验证风险管理策略的有效性 #### 🎯 竞赛公平性 - **🏆 公平竞争**: 所有AI模型使用相同的历史信息 - **📊 客观评估**: 基于相同数据集的性能比较 - **🔍 透明度**: 完全可重现的实验结果 ## 📁 项目架构 ``` AI-Trader Bench/ ├── 🤖 核心系统 │ ├── main.py # 🎯 主程序入口 │ ├── agent/base_agent/ # 🧠 AI代理核心 │ └── configs/ # ⚙️ 配置文件 │ ├── 🛠️ MCP工具链 │ ├── agent_tools/ │ │ ├── tool_trade.py # 💰 交易执行 │ │ ├── tool_get_price_local.py # 📊 价格查询 │ │ ├── tool_jina_search.py # 🔍 信息搜索 │ │ └── tool_math.py # 🧮 数学计算 │ └── tools/ # 🔧 辅助工具 │ ├── 📊 数据系统 │ ├── data/ │ │ ├── daily_prices_*.json # 📈 股票价格数据 │ │ ├── merged.jsonl # 🔄 统一数据格式 │ │ └── agent_data/ # 📝 AI交易记录 │ └── calculate_performance.py # 📈 性能分析 │ ├── 🎨 前端界面 │ └── frontend/ # 🌐 Web仪表板 │ └── 📋 配置与文档 ├── configs/ # ⚙️ 系统配置 ├── prompts/ # 💬 AI提示词 └── calc_perf.sh # 🚀 性能计算脚本 ``` ### 🔧 核心组件详解 #### 🎯 主程序 (`main.py`) - **多模型并发**: 同时运行多个AI模型进行交易 - **配置管理**: 支持JSON配置文件和环境变量 - **日期管理**: 灵活的交易日历和日期范围设置 - **错误处理**: 完善的异常处理和重试机制 #### 🛠️ MCP工具链 | 工具 | 功能 | API | |------|------|-----| | **交易工具** | 买入/卖出股票，持仓管理 | `buy()`, `sell()` | | **价格工具** | 实时和历史价格查询 | `get_price_local()` | | **搜索工具** | 市场信息搜索 | `get_information()` | | **数学工具** | 财务计算和分析 | 基础数学运算 | #### 📊 数据系统 - **📈 价格数据**: 纳斯达克100成分股的完整OHLCV数据 - **📝 交易记录**: 每个AI模型的详细交易历史 - **📊 性能指标**: 夏普比率、最大回撤、年化收益等 - **🔄 数据同步**: 自动化的数据获取和更新机制 ## 🚀 快速开始 ### 📋 前置要求 - **Python 3.8+** - **API密钥**: OpenAI、Alpha Vantage、Jina AI ### ⚡ 一键安装 ```bash # 1. 克隆项目 git clone https://github.com/HKUDS/AI-Trader.git cd AI-Trader # 2. 安装依赖 pip install -r requirements.txt # 3. 配置环境变量 cp .env.example .env # 编辑 .env 文件，填入你的API密钥 ``` ### 🔑 环境配置 创建 `.env` 文件并配置以下变量： ```bash # 🤖 AI模型API配置 OPENAI_API_BASE=https://your-openai-proxy.com/v1 OPENAI_API_KEY=your_openai_key # 📊 数据源配置 ALPHAADVANTAGE_API_KEY=your_alpha_vantage_key JINA_API_KEY=your_jina_api_key # ⚙️ 系统配置 RUNTIME_ENV_PATH=./runtime_env.json #推荐使用绝对路径 # 🌐 服务端口配置 MATH_HTTP_PORT=8000 SEARCH_HTTP_PORT=8001 TRADE_HTTP_PORT=8002 GETPRICE_HTTP_PORT=8003 # 🧠 AI代理配置 AGENT_MAX_STEP=30 # 最大推理步数 ``` ### 📦 依赖包 ```bash # 安装生产环境依赖 pip install -r requirements.txt # 或手动安装核心依赖 pip install langchain langchain-openai langchain-mcp-adapters fastmcp python-dotenv requests numpy pandas ``` ## 🎮 运行指南 ### 📊 步骤1: 数据准备 (`./fresh_data.sh`) ```bash # 📈 获取纳斯达克100股票数据 cd data python get_daily_price.py # 🔄 合并数据为统一格式 python merge_jsonl.py ``` ### 🛠️ 步骤2: 启动MCP服务 ```bash cd ./agent_tools python start_mcp_services.py ``` ### 🚀 步骤3: 启动AI竞技场 ```bash # 🎯 运行主程序 - 让AI们开始交易！ python main.py # 🎯 或使用自定义配置 python main.py configs/my_config.json ``` ### ⏰ 时间设置示例 #### 📅 创建自定义时间配置 ```json { "agent_type": "BaseAgent", "date_range": { "init_date": "2024-01-01", // 回测开始日期 "end_date": "2024-03-31" // 回测结束日期 }, "models": [ { "name": "claude-3.7-sonnet", "basemodel": "anthropic/claude-3.7-sonnet", "signature": "claude-3.7-sonnet", "enabled": true } ] } ``` ### 📈 启动Web界面 ```bash cd docs python3 -m http.server 8000 # 访问 http://localhost:8000 ``` ## 📈 性能分析 ### 🏆 竞技规则 | 规则项 | 设置 | 说明 | |--------|------|------| | **💰 初始资金** | $10,000 | 每个AI模型起始资金 | | **📈 交易标的** | 纳斯达克100 | 100只顶级科技股 | | **⏰ 交易时间** | 工作日 | 周一至周五 | | **💲 价格基准** | 开盘价 | 使用当日开盘价交易 | | **📝 记录方式** | JSONL格式 | 完整交易历史记录 | ## ⚙️ 配置指南 ### 📋 配置文件结构 ```json { "agent_type": "BaseAgent", "date_range": { "init_date": "2025-01-01", "end_date": "2025-01-31" }, "models": [ { "name": "claude-3.7-sonnet", "basemodel": "anthropic/claude-3.7-sonnet", "signature": "claude-3.7-sonnet", "enabled": true } ], "agent_config": { "max_steps": 30, "max_retries": 3, "base_delay": 1.0, "initial_cash": 10000.0 }, "log_config": { "log_path": "./data/agent_data" } } ``` ### 🔧 配置参数说明 | 参数 | 说明 | 默认值 | |------|------|--------| | `agent_type` | AI代理类型 | "BaseAgent" | | `max_steps` | 最大推理步数 | 30 | | `max_retries` | 最大重试次数 | 3 | | `base_delay` | 操作延迟(秒) | 1.0 | | `initial_cash` | 初始资金 | $10,000 | ### 📊 数据格式 #### 💰 持仓记录 (position.jsonl) ```json { "date": "2025-01-20", "id": 1, "this_action": { "action": "buy", "symbol": "AAPL", "amount": 10 }, "positions": { "AAPL": 10, "MSFT": 0, "CASH": 9737.6 } } ``` #### 📈 价格数据 (merged.jsonl) ```json { "Meta Data": { "2. Symbol": "AAPL", "3. Last Refreshed": "2025-01-20" }, "Time Series (Daily)": { "2025-01-20": { "1. buy price": "255.8850", "2. high": "264.3750", "3. low": "255.6300", "4. sell price": "262.2400", "5. volume": "90483029" } } } ``` ### 📁 文件结构 ``` data/agent_data/ ├── claude-3.7-sonnet/ │ ├── position/ │ │ └── position.jsonl # 📝 持仓记录 │ └── log/ │ └── 2025-01-20/ │ └── log.jsonl # 📊 交易日志 ├── gpt-4o/ │ └── ... └── qwen3-max/ └── ... ``` ## 🔌 第三方策略集成 AI-Trader Bench采用模块化设计，支持轻松集成第三方策略和自定义AI代理。 ### 🛠️ 集成方式 #### 1. 自定义AI代理 ```python # 创建新的AI代理类 class CustomAgent(BaseAgent): def __init__(self, model_name, **kwargs): super().__init__(model_name, **kwargs) # 添加自定义逻辑 ``` #### 2. 注册新代理 ```python # 在 main.py 中注册 AGENT_REGISTRY = { "BaseAgent": { "module": "agent.base_agent.base_agent", "class": "BaseAgent" }, "CustomAgent": { # 新增 "module": "agent.custom.custom_agent", "class": "CustomAgent" }, } ``` #### 3. 配置文件设置 ```json { "agent_type": "CustomAgent", "models": [ { "name": "your-custom-model", "basemodel": "your/model/path", "signature": "custom-signature", "enabled": true } ] } ``` ### 🔧 扩展工具链 #### 添加自定义工具 ```python # 创建新的MCP工具 @mcp.tools() class CustomTool: def __init__(self): self.name = "custom_tool" def execute(self, params): # 实现自定义工具逻辑 return result ``` ## 🚀 路线图 ### 🌟 未来计划 - [ ] **🇨🇳 A股支持** - 扩展至中国股市 - [ ] **📊 收盘后统计** - 自动收益分析 - [ ] **🔌 策略市场** - 添加第三方策略分享平台 - [ ] **🎨 炫酷前端界面** - 现代化Web仪表板 - [ ] **₿ 加密货币** - 支持数字货币交易 - [ ] **📈 更多策略** - 技术分析、量化策略 - [ ] **⏰ 高级回放** - 支持分钟级时间精度和实时回放 - [ ] **🔍 智能过滤** - 更精确的未来信息检测和过滤 ## 🤝 贡献指南 我们欢迎各种形式的贡献！特别是AI交易策略和代理实现。 ### 🧠 AI策略贡献 - **🎯 交易策略**: 贡献你的AI交易策略实现 - **🤖 自定义代理**: 实现新的AI代理类型 - **📊 分析工具**: 添加新的市场分析工具 - **🔍 数据源**: 集成新的数据源和API ### 🐛 问题报告 - 使用GitHub Issues报告bug - 提供详细的复现步骤 - 包含系统环境信息 ### 💡 功能建议 - 在Issues中提出新功能想法 - 详细描述使用场景 - 讨论实现方案 ### 🔧 代码贡献 1. Fork项目 2. 创建功能分支 3. 实现你的策略或功能 4. 添加测试用例 5. 创建Pull Request ### 📚 文档改进 - 完善README文档 - 添加代码注释 - 编写使用教程 - 贡献策略说明文档 ### 🏆 策略分享 - **📈 技术分析策略**: 基于技术指标的AI策略 - **📊 量化策略**: 多因子模型和量化分析 - **🔍 基本面策略**: 基于财务数据的分析策略 - **🌐 宏观策略**: 基于宏观经济数据的策略 ## 📞 支持与社区 - **💬 讨论**: [GitHub Discussions](https://github.com/HKUDS/AI-Trader/discussions) - **🐛 问题**: [GitHub Issues](https://github.com/HKUDS/AI-Trader/issues) - **📧 联系**: your-email@example.com ## 📄 许可证 本项目采用 [MIT License](LICENSE) 开源协议。 ## 🙏 致谢 感谢以下开源项目和服务： - [LangChain](https://github.com/langchain-ai/langchain) - AI应用开发框架 - [MCP](https://github.com/modelcontextprotocol) - Model Context Protocol - [Alpha Vantage](https://www.alphavantage.co/) - 金融数据API - [Jina AI](https://jina.ai/) - 信息搜索服务 ---
**🌟 如果这个项目对你有帮助，请给我们一个Star！** [![GitHub stars](https://img.shields.io/github/stars/HKUDS/AI-Trader?style=social)](https://github.com/HKUDS/AI-Trader) [![GitHub forks](https://img.shields.io/github/forks/HKUDS/AI-Trader?style=social)](https://github.com/HKUDS/AI-Trader) **🤖 让AI在金融市场中完全自主决策、一展身手！** **🛠️ 纯工具驱动，零人工干预，真正的AI交易竞技场！** 🚀