Owning a Hedge Fund: AutoTrading as an AI-Native Trading Firm

最近整理了一下我自己做的项目：AutoTrading。

如果用一句更形象的话来描述，我想做的其实不是一个“自动选股脚本”，而是开一家由大模型驱动的交易公司。

这家公司里有研究员、有交易员、有基金经理，也有自己的候选池系统、执行系统和经营看板。它不是靠一个模型直接说“买这个”，而是尽量按真实团队的协作方式，把研究、评审、执行和复盘都串起来。

这套系统最核心的两点其实很简单：

1. 像搭一个真实交易团队一样搭系统。 不是让一个模型直接拍板，而是让不同角色分工合作，再层层汇总成最终决定。
2. 像经营一家公司一样经营交易流程。 找机会、讨论、执行、回写、看板都在一条链上，而且后面还能继续往里加新的选股方式。

这个项目的整体架构设计参考了 TradingAgents，这里也对它致敬一下。

它把交易研究拆成多个角色协作，也就是把“分析师、研究员、交易员、风控、组合经理”这些职能用多代理方式组织起来。我是在这个架构方向上，继续做了一个更适合我自己使用方式的版本：

1. 我做的是从选股到交易的整条自动化链路。 它不是只研究一只票，而是每天先跑候选池、再送投委会、再做执行和回写。
2. TradingAgents 更像围绕单个股票展开分析与决策。 AutoTrading 则更强调“每天要跑起来”的 operating system，重点是让候选发现、评审、执行、展示都接进同一条日常流程。

所以更准确的说法是：AutoTrading 是在 TradingAgents 提供的架构方向上，继续做出来的一个更适合我自己使用节奏的版本，也是一套每天运行的自动化交易工作流。

拥有一间 Hedge Fund

用一句话概括：AutoTrading 是我为一间 AI-Native Hedge Fund 搭的操作系统。

它不是单点工具，而是一组协同模块：

所以它本质上不是“用一个模型直接说买什么”，而是把一间基金内部会发生的事情拆成可运行的模块：

1. 先判断现在是强势市场、震荡市场还是弱势市场。
2. 再从不同策略里找出候选标的。
3. 然后让多位分析师分别从技术、基本面、事件、社区叙事、宏观风险等角度做评审。
4. 最后再把结论翻译成执行计划，并进入券商账户的订单、成交、持仓跟踪。

我真正想做的，就是把“拥有一间基金公司”这件事软件化：让大模型以团队协作的方式参与交易，而不是让单个模型直接拍板。

先把这家公司搭起来

如果把它当成一间基金来看，最核心的是组织分工很清楚：

• 环境层：先判断市场环境，再决定后面的表达方式。
• 发现层：先生成候选池，而不是让大模型直接全市场自由发挥。
• 研究层：把观点拆给多个角色，再做多空辩论和管理层裁决。
• 执行层：把研究结论翻译成订单与风控状态，而不是停在“建议买入”。
• 展示层：把各环节统一收进一个 dashboard，方便复盘与校验。

这也是整个项目最核心的架构方向。它至少在工程上回答了三个关键问题：

• 上游环境怎么约束下游决策？
• 研究结论怎么变成结构化执行语义？
• 执行结果怎么回流到统一界面，而不是散落在日志里？

它怎么运转

先把这间公司的主链路画出来：

Market Regime
    ↓
Screener
    ↓
Review Queue
    ↓
Investment Committee
  ├─ 基础分析师层
  ├─ Bull / Bear Researcher
  ├─ Research Manager
  ├─ Trader
  └─ Fund Manager
    ↓
Execution
    ↓
Longbridge Paper / 本地执行账本
    ↓
Web Dashboard

从操作层面看，这间基金其实有两个“总控面”：

点击放大

这张图可以把整套系统看得更直观一些：上面是市场环境和候选池，中间是投委会研究链，下面是执行、风控和看板。它不是几块孤立模块拼在一起，而是一条从研究走到执行、再回到展示层的完整经营链路。

交易台：每天怎么开工

仓库根目录的 main.py 负责把几个模块串起来。普通理解的话，它就像这间公司的“开工按钮”：按下去之后，研究部门先开始找机会，投资委员会再开会，最后交易台再去执行。

如果你想看具体命令和实现细节，最直接的方式不是在文章里抠命令，而是直接去看 GitHub 仓库： AutoTrading on GitHub

管理看板

InvestmentCommittee/main.py 默认启动 8011 端口的 API / scheduler 运行时，而 web/ 目录下的 Next.js 前端负责展示：

• /regime
• /screener
• /investment-committee
• /execution

这意味着它既有后台工作流，也有前台看板。这两个入口在很多项目里是断开的，但在 AutoTrading 里是刻意统一的。

第一层：先判断今天该怎么做交易

这是我觉得这个项目最重要的设计点。

很多交易系统会把“市场环境”当成一个背景板，但在 AutoTrading 里，它更像是每天开盘前的一场晨会。

系统会先回答几个很现实的问题：

• 现在这个市场，适不适合积极出手？
• 应该多做一点，还是先保守一点？
• 仓位应该放大，还是先留更多现金？
• 今天更适合顺势做，还是宁愿少做一点？

关键点不在于它给市场打了多少分，而在于这个判断会直接影响后面每一步到底怎么做。

它对下游的影响是三段式的：

在候选池里

研究部门在找机会的时候，会自动考虑“现在是不是适合做这种票”。同一只股票，在强势市场里可能排得更靠前，在偏弱市场里可能就先放一放。

在投资委员会里

投资委员会在讨论时，也不能只说“这只票看起来不错”，还得回答“在现在这个市场里，值不值得现在就做”。

在执行层里

到了交易台，系统还会按这个市场判断去控制仓位、现金和出手节奏，而不是前面说想买，后面就一把梭进去。

所以从架构角度看，MarketRegime 的作用不是“提供市场背景”，而是把环境判断前置成整个系统的控制变量。这一点比“先选股，后补一句大盘怎样”严谨很多。

第二层：先有候选池，再谈交易

Screener 模块负责的不是下单，而是每天先把“值得看一眼的机会”找出来。

如果不看代码，只看功能，这条链路其实很好理解：

1. 同步行情数据
2. 计算涨跌幅、成交额等衍生字段
3. 补充个股基础资料与强势原因
4. 调用模型做摘要或候选分析
5. 导出给 dashboard 使用的快照

目前这套系统会从三类机会里找票：

1. 最近一直很强、还在创新高的一批票 这类更像“市场已经用价格投票”的强势股。
2. 刚开始加速、走势越来越顺的一批票 这类更像“正在进入主升阶段”的趋势股。
3. 最近市场讨论度突然很高的一批票 这类来自热点话题、社区讨论或情绪快速升温的方向。

如果你想看它们在代码里的内部名字和具体实现，可以直接去 GitHub 看配置和源码；文章这里更关心的是它们在实际使用里分别代表什么。

更关键的是，它不是把三批股票混在一起乱排，而是会按固定规则送去投资委员会。

简单理解就是：

• 强势股里多挑几只
• 趋势刚起来的票里挑最像样的一只
• 热点话题里再挑一只最值得讨论的

这样做的好处是，整个组合不会只剩下一种风格，也不会被单一来源绑死。

这个设计很重要，因为它让 Screener 成为一个候选池组合层，而不是某一个单点策略脚本。这样做至少有三个好处：

• 可以同时容纳“规则型候选池”和“叙事型候选池”
• 可以在送审阶段控制组合结构，而不是把所有候选一股脑交给下游
• 后面如果继续新增策略，只需要按同样协议接入候选池和送审编排，而不需要推翻整条链路

第三层：让投资委员会来做决定

如果说 Market Regime 决定环境，Screener 决定研究名单，那么 Investment Committee 决定的是：这些候选到底能不能进入基金的交易计划。

它不是一个简单评分器，而是一条多层研究链。

先拆成基础分析师

默认有 6 位基础分析师：

1. 市场结构分析师
2. 技术指标分析师
3. 新闻事件与披露分析师
4. 社区叙事分析师
5. 基本面分析师
6. 宏观与外部风险分析师

如果这只票本身就是从“市场最近很热的话题”里出来的，系统还会再加一位专门看情绪和舆论的分析师。

再让多头和空头辩论

基础分析师的输出不会直接变成结论，而是交给：

• Bull Researcher
• Bear Researcher

也就是说，这里先做一次“多头观点整合”和“空头观点整合”，而不是一开始就让模型产出单边结论。

最后交给研究经理、交易员和基金经理

之后再进入：

• Research Manager
• Trader
• Fund Manager

它们各自解决的问题不一样：

• Research Manager：整合共识、分歧、盲区和关键闸门
• Trader：把研究语言翻译成执行语言，比如分批、触发条件、失效条件
• Fund Manager：形成最终裁决，例如买入、增持、持有、减持或卖出

所以这一层的真正价值，不只是“模型分析很细”，而是它把研究结论结构化成了可以被执行层消费的输出。

点击放大

这张图对应的其实就是“投委会怎么开会”这件事：先拿到候选名单，再分给不同分析师准备材料，接着做多空讨论和研究经理整合，最后交给基金经理形成结论，并把结果发给执行层。

为什么这一层很关键

很多 AI 项目会停在“模型给出一段分析”这里，但 AutoTrading 不是这样。

它把这场“投委会讨论”真正接进了后面的交易流程里：前面研究出来的观点，要在这里被整理、被取舍、被转成明确动作，然后才能继续往下走。

所以这一层的意义，不是把角色设计得多热闹，而是把“大家各说各话”的分析，收束成一份可以继续执行的决策结果。

第四层：把研究结论变成真正的交易动作

很多项目在“建议买入”之后就结束了，但 AutoTrading 继续往下做了一层 Execution。

它的职责包括：

• 读取 Investment Committee 的完整评审结果
• 解析动作、触发条件、失效条件
• 结合 Market Regime 的风险边界生成执行计划
• 同步订单、成交、持仓和账户状态
• 处理退出、空仓补位、主动换仓

这里最值得注意的是，它并不重复研究逻辑，而是专门处理交易台的执行编排。

如果用最通俗的话说，交易台主要做四件事：

• 把投委会的结论翻译成执行计划
• 把计划真的送进券商执行通道
• 持续跟踪订单、成交和持仓变化
• 在该减仓、补位、换仓的时候继续往下推进

点击放大

这张图更适合拿来理解“买入之后系统还在做什么”。它不是下完单就结束，而是会继续跟踪订单状态、持仓状态、退出条件、空位补充和主动换仓，所以更像一个真的在持续运作的交易台。

当前默认执行模式是 longbridge_paper，也就是先按 paper trading 的方式运行；如果有需要，这套接口本身也可以切换到实盘自动化。

换句话说，paper 不是能力上限，而是默认起步方式。系统在执行层已经把自动化交易需要的那套编排、同步和风控接口准备好了。

第五层：让整家公司有一个统一看板

这个项目还有一个很重要但容易被忽略的点：它没有让结果停在数据库或日志里。

web/ 目录下的 Next.js 看板把四条链路统一展示出来：

• Regime
• Screener
• Investment Committee
• Execution

这带来的价值不是“更好看”，而是更像一间基金真正会用的经营看板，更容易做下面三件事：

1. 检查上游输出有没有真的传到下游
2. 对照 Dev / Prod / API 结果是否一致
3. 复盘某一天到底是哪里出了偏差

从工程角度说，Dashboard 其实是这套架构里的“可解释性层”和“验收层”。

这套系统怎么跑起来

如果把它当成一间本地运行的 AI Hedge Fund，使用方式其实很清晰。

1. 先准备运行环境

项目当前依赖几块能力：

• Python 3.10+
• 根目录 requirements.txt 中的公共依赖
• Execution/ 与 InvestmentCommittee/ 两个可编辑包
• web/ 目录下的前端依赖
• 外部数据与模型凭证
• Longbridge 账户相关凭证

它不是那种一条命令就能完全跑起来的 demo，因为里面涉及行情、新闻、LLM 和券商 paper 账户这些真实依赖。

所以如果你只是想理解它，最好的方式是：

1. 先看文章把整体思路看明白。
2. 再去 GitHub 看仓库结构和 README。
3. 如果你真的想跑，再按仓库里的说明一步步配置环境。

2. 然后跑研究链路

如果你真的想跑它，最简单的理解方式是：

• 先让系统找机会
• 再让投资委员会开会
• 最后让交易台去执行

具体怎么启动、每个命令怎么配，仓库里写得比文章更准确，建议直接看 GitHub： AutoTrading on GitHub

3. 再跑计划提交和状态同步

如果当天已经跑过一轮，后面系统主要就是两件事：

• 继续把新计划送出去
• 持续同步账户里的真实状态

4. 最后回到 Dashboard 看全局

本地开发时，可以直接启动 dashboard：

python main.py dashboard-dev

然后重点看四个页面：

• /regime：环境判断是否合理
• /screener：候选池和送审队列是否符合预期
• /investment-committee：多分析师评审是否完整
• /execution：订单、成交、持仓、轮换、补位是否正确

如果只讲使用方法，我觉得最重要的不是记住某一个命令，而是理解它的工作顺序：

先有环境，再有候选，再有评审，再有执行，最后通过 dashboard 做统一验证。

最后

对我来说，AutoTrading 后面真正值得继续做的，不是把某一个策略打磨成孤立功能，而是把这间“AI Hedge Fund”的整条经营链继续做顺。

一方面，它可以继续扩更多研究入口和候选来源，让这家公司拥有更丰富的“研究员”和“机会池”；另一方面，也可以把执行、风控、账户切换和看板联动做得更稳，让它从“能跑起来”进一步走向“能长期使用”。

如果你想理解它的用法，最好的方式其实不是盯某一段代码，而是按这条顺序去看：先看市场环境，再看候选池，再看投委会，最后看执行和看板。这个顺序跑通了，后面的扩展空间就会很自然。

相关链接

• 项目 GitHub： https://github.com/anon019/AutoTrading