AI Trader

🚀 AI交易者：AI能打败市场吗？

   

五家人工智能公司争夺纳斯达克100指数的霸主地位。零人为输入。纯粹的竞争。

🏆 当前锦标赛排行榜🏆

*单击我检查*

锦标赛期间：（最后更新2025/10/24）

📊 实时性能仪表板

rank

*纳斯达克100指数交易中人工智能模型的日常性能跟踪*

______________________________________________________________________

📝 即将更新（本周）

我们很高兴在本周宣布以下更新：

• ⏰ 每小时交易支持 -升级至小时级精准交易
• 🚀 服务部署和并行执行 -部署生产服务+并行模型执行
• 🎨 增强型前端仪表板 -添加详细的交易日志可视化（完整的交易过程显示）

请继续关注这些令人兴奋的改进！ 🎉

______________________________________________________________________

🚀 快速开始 • 📈 性能分析 • 🛠️ 配置指南 • 中文文档

______________________________________________________________________

🌟 项目介绍

AI Trader支持五种不同的AI模型，每种模型都采用独特的投资策略，在同一市场中自主竞争，并确定哪种模型可以在纳斯达克100指数交易中产生最高利润！

🎯 核心功能

• 🤖 完全自主决策：AI代理在没有人为干预的情况下执行100%独立的分析、决策和执行
• 🛠️ 纯工具驱动架构：基于MCP工具链，使AI能够通过标准化的工具调用完成所有交易操作
• 🏆 多模型竞赛竞技场：部署多种AI模型（GPT、Claude、Qwen等）进行竞争性交易
• 📊 实时性能分析：全面的交易记录、头寸监控和损益分析
• 🔍 智能市场情报：集成Jina搜索实时市场新闻和财务报告
• ⚡ MCP工具链集成：基于模型上下文协议的模块化工具生态系统
• 🔌 可扩展战略框架：支持第三方策略和自定义AI代理集成
• ⏰ 历史回放能力：具有自动未来信息过滤的时间段回放功能

______________________________________________________________________

🎮 贸易环境

每个AI模型从10000美元开始，在具有真实市场数据和历史回放功能的受控环境中交易纳斯达克100指数股票。

• 💰 初始资本：10000美元起始余额
• 📈 交易世界：纳斯达克100只成分股（前100只科技股）
• ⏰ 交易时间表：支持历史模拟的工作日市场时间
• 📊 数据集成：Alpha Vantage API与Jina AI市场智能相结合
• 🔄 时间管理：历史时期回放，自动过滤未来信息

______________________________________________________________________

🧠 代理交易能力

人工智能代理在完全自主的情况下运作，进行市场研究，做出交易决策，并在没有人为干预的情况下不断发展其策略。

• 📰 自主市场研究：智能检索和过滤市场新闻、分析师报告和财务数据
• 💡 独立决策引擎：多维分析推动完全自主的买卖执行
• 📝 综合贸易记录：自动记录交易原理、执行细节和投资组合变更
• 🔄 适应性战略演变：根据市场绩效反馈进行调整的自优化算法

______________________________________________________________________

🏁 比赛规则

所有人工智能模型在相同的条件下以相同的资本、数据访问、工具和评估指标进行竞争，以确保公平比较。

• 💰 启动资金：初始投资10000美元
• 📊 数据访问：统一的市场数据和信息馈送
• ⏰ 开放时间：同步交易时间窗口
• 📈 性能指标：所有模型的标准化评估标准
• 🛠️ 工具访问：所有参与者使用相同的MCP工具链

🎯 目标：确定哪种AI模型通过纯自主操作实现了卓越的投资回报！

🚫 零人为干预

人工智能代理在完全自主的情况下运作，在没有任何人工编程、指导或干预的情况下做出所有交易决策和策略调整。

• ❌ 无预编程：零预设交易策略或算法规则
• ❌ 无人工输入：完全依赖固有的人工智能推理能力
• ❌ 无手动超控：绝对禁止交易过程中的人为干预
• ✅ 仅工具执行：所有操作仅通过标准化的工具调用执行
• ✅ 自适应学习：基于市场绩效反馈的独立战略细化

______________________________________________________________________

⏰ 历史回放架构

AI Trader Bench的一项核心创新是 完全可重放 交易环境，确保人工智能代理对历史市场数据进行绩效评估的科学严谨性和可重复性。

🔄 时间控制框架

📅 灵活的时间设置

{
  "date_range": {
    "init_date": "2025-01-01",  // Any start date
    "end_date": "2025-01-31"    // Any end date
  }
}

______________________________________________________________________

🛡️ 防前瞻数据控制

人工智能只能访问当前和以前的市场数据。不允许提供未来信息。

• 📊 价格数据边界：市场数据访问仅限于模拟时间戳和历史记录
• 📰 新闻年表执法：实时过滤可防止访问未来的新闻和公告
• 📈 财务报告时间表：信息仅限于截至当前模拟日期的官方发布数据
• 🔍 历史情报范围：市场分析受限于按时间顺序适当的数据可用性

🎯 重播优势

🔬 实证研究框架

• 📊 市场效率研究：评估不同市场条件和波动制度下的人工智能表现
• 🧠 决策一致性分析：检查AI交易逻辑中的时间稳定性和行为模式
• 📈 风险管理评估：验证人工智能驱动的风险缓解策略的有效性

🎯 公平竞争框架

• 🏆 平等信息获取：所有AI模型都使用相同的历史数据集运行
• 📊 标准化评价：使用统一数据源计算的绩效指标
• 🔍 完全再现性：实验完全透明，结果可验证

______________________________________________________________________

📁 项目架构

AI-Trader Bench/
├── 🤖 Core System
│   ├── main.py    # 🎯 Main program entry
│   ├── agent/base_agent/          # 🧠 AI agent core
│   └── configs/                   # ⚙️ Configuration files
│
├── 🛠️ MCP Toolchain
│   ├── agent_tools/
│   │   ├── tool_trade.py          # 💰 Trade execution
│   │   ├── tool_get_price_local.py # 📊 Price queries
│   │   ├── tool_jina_search.py   # 🔍 Information search
│   │   └── tool_math.py           # 🧮 Mathematical calculations
│   └── tools/                     # 🔧 Auxiliary tools
│
├── 📊 Data System
│   ├── data/
│   │   ├── daily_prices_*.json    # 📈 Stock price data
│   │   ├── merged.jsonl           # 🔄 Unified data format
│   │   └── agent_data/            # 📝 AI trading records
│   └── calculate_performance.py   # 📈 Performance analysis
│
├── 🎨 Frontend Interface
│   └── frontend/                  # 🌐 Web dashboard
│
└── 📋 Configuration & Documentation
    ├── configs/                   # ⚙️ System configuration
    ├── prompts/                   # 💬 AI prompts
    └── calc_perf.sh              # 🚀 Performance calculation script

🔧 核心组件详细信息

🎯 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：全面的异常处理和重试机制

🛠️ MCP工具链

📊 数据系统

• 📈 价格数据：纳斯达克100指数成分股的完整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、最大提款额、年化回报率等。
• 🔄 数据同步：自动数据采集和更新机制

🚀 快速开始

📋 先决条件

• Python 3.8+
• API密钥：OpenAI、Alpha Vantage、Jina AI

⚡ 一键安装

# 1. Clone project
git clone https://github.com/HKUDS/AI-Trader.git
cd AI-Trader

# 2. Install dependencies
pip install -r requirements.txt

# 3. Configure environment variables
cp .env.example .env
# Edit .env file and fill in your API keys

🔑 环境配置

创建 .env 文件并配置以下变量：

# 🤖 AI Model API Configuration
OPENAI_API_BASE=https://your-openai-proxy.com/v1
OPENAI_API_KEY=your_openai_key

# 📊 Data Source Configuration
ALPHAADVANTAGE_API_KEY=your_alpha_vantage_key
JINA_API_KEY=your_jina_api_key

# ⚙️ System Configuration
RUNTIME_ENV_PATH=./runtime_env.json # Recommended to use absolute path

# 🌐 Service Port Configuration
MATH_HTTP_PORT=8000
SEARCH_HTTP_PORT=8001
TRADE_HTTP_PORT=8002
GETPRICE_HTTP_PORT=8003
# 🧠 AI Agent Configuration
AGENT_MAX_STEP=30             # Maximum reasoning steps

📦 依赖项

# Install production dependencies
pip install -r requirements.txt

# Or manually install core dependencies
pip install langchain langchain-openai langchain-mcp-adapters fastmcp python-dotenv requests numpy pandas

🎮 跑步指南

📊 第一步：数据准备(./fresh_data.sh)

# 📈 Get NASDAQ 100 stock data
cd data
python get_daily_price.py

# 🔄 Merge data into unified format
python merge_jsonl.py

🛠️ 步骤2：启动MCP服务

cd ./agent_tools
python start_mcp_services.py

🚀 第三步：启动AI竞技场

# 🎯 Run main program - let AIs start trading!
python main.py

# 🎯 Or use custom configuration
python main.py configs/my_config.json

⏰ 时间设置示例

📅 创建自定义时间配置

{
  "agent_type": "BaseAgent",
  "date_range": {
    "init_date": "2024-01-01",  // Backtest start date
    "end_date": "2024-03-31"     // Backtest end date
  },
  "models": [
    {
      "name": "claude-3.7-sonnet",
      "basemodel": "anthropic/claude-3.7-sonnet",
      "signature": "claude-3.7-sonnet",
      "enabled": true
    }
  ]
}

📈 启动Web界面

cd docs
python3 -m http.server 8000
# Visit http://localhost:8000

📈 性能分析

🏆 比赛规则

⚙️ 配置指南

📋 配置文件结构

{
  "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

📊 数据格式

💰 职位记录（Position.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（合并的.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      # 📝 Position records
│   └── log/
│       └── 2025-01-20/
│           └── log.jsonl       # 📊 Trading logs
├── gpt-4o/
│   └── ...
└── qwen3-max/
    └── ...

🔌 第三方战略整合

AI Trader Bench采用模块化设计，支持第三方策略和自定义AI代理的轻松集成。

🛠️ 集成方法

1.自定义AI代理

# Create new AI agent class
class CustomAgent(BaseAgent):
    def __init__(self, model_name, **kwargs):
        super().__init__(model_name, **kwargs)
        # Add custom logic

2.注册新代理

# Register in main.py
AGENT_REGISTRY = {
    "BaseAgent": {
        "module": "agent.base_agent.base_agent",
        "class": "BaseAgent"
    },
    "CustomAgent": {  # New addition
        "module": "agent.custom.custom_agent",
        "class": "CustomAgent"
    },
}

3.配置文件设置

{
  "agent_type": "CustomAgent",
  "models": [
    {
      "name": "your-custom-model",
      "basemodel": "your/model/path",
      "signature": "custom-signature",
      "enabled": true
    }
  ]
}

🔧 延伸工具链

添加自定义工具

# Create new MCP tool
@mcp.tools()
class CustomTool:
    def __init__(self):
        self.name = "custom_tool"
    
    def execute(self, params):
        # Implement custom tool logic
        return result

🚀 路线图

🌟 未来计划

• \[ \] 🇨🇳 A股支持 -延伸到中国股市
• \[ \] 📊 上市后统计 -自动利润分析
• \[ \] 🔌 战略市场 -添加第三方战略共享平台
• \[ \] 🎨 酷炫的前端接口 -现代网络仪表板
• \[ \] ₿ 加密货币 -支持数字货币交易
• \[ \] 📈 更多策略 -技术分析、定量策略
• \[ \] ⏰ 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

我们欢迎各种各样的贡献！特别是人工智能交易策略和代理实现。

🧠 AI战略贡献

• 🎯 交易策略：为您的AI交易策略实施做出贡献
• 🤖 海关代理：实施新的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报告错误
• 提供详细的复制步骤
• 包括系统环境信息

💡 功能建议

• 在Issues中提出新的功能想法
• 详细描述用例
• 讨论实施方法

🔧 代码贡献

1. 分叉项目
2. 创建要素分支
3. 实施您的策略或功能
4. 添加测试用例
5. 创建拉取请求

📚 文档改进

• 改进README文档
• 添加代码注释
• 编写使用教程
• 提供战略文件

🏆 战略共享

• 📈 技术分析策略：基于技术指标的人工智能策略
• 📊 定量策略：多因素模型和定量分析
• 🔍 基本战略：基于财务数据的分析策略
• 🌐 宏观战略：基于宏观经济数据的战略

📞 支持与社区

• 💬 讨论:
• 🐛 问题:
• 📧 联系: your-email@example.com

📄 许可证

该项目根据 MIT许可证.

🙏 致谢

感谢以下开源项目和服务：

• LangChain -人工智能应用开发框架
• 主控程序 -模型上下文协议
• 阿尔法Vantage -财务数据API
• 名称 AI -信息检索服务

______________________________________________________________________

🌟 如果这个项目对你有帮助，请给我们一颗星！

](https://github.com/HKUDS/AI-Trader) ](https://github.com/HKUDS/AI-Trader)

🤖 通过完全自主的决策体验人工智能在金融市场的全部潜力！\ 🛠️ 纯粹的工具驱动执行，零人为干预——一个真正的人工智能交易舞台！ 🚀

❤️ Thanks for visiting ✨ AI-Trader!