aihf 实测指南：一个不真下单的 AI 对冲基金，到底能干什么
教育用途的概念验证项目，由多个以本杰明·格雷厄姆、比尔·阿克曼等投资人为原型的 AI 智能体协作做出交易决策，不用于真实交易。
秒懂
- 它是什么？
- virattt/ai-hedge-fund 把交易决策拆成一组可插拔的 alpha 模型，用 mandate 文件描述基金策略，但系统本身不执行任何交易。本文基于 README 与仓库结构，说清它的运行机制、上手命令和适用边界。
- 适合谁用？
- 适合想理解 LLM 如何参与投资决策流程的开发者，以及需要快速验证多策略组合回测思路的研究者。不适合任何打算拿真金白银上线的用户，README 已明确声明系统不执行交易且仅供教育。
- 能商用吗？
- 可以。MIT 是宽松许可证：你可以使用、修改并销售基于它的软件，只需保留版权和许可证声明。
- 还在维护吗？
- 在维护。仓库最近一次提交在 12 天前。
- 用什么语言写的？
- 主要是 Python（依据 GitHub 的语言统计）。
以上回答依据项目的 GitHub 数据（最近同步于 2026年9月14日）和我们的分析，不构成法律意见。
开源项目深度解析
它解决的是决策流程问题，不是交易执行问题
这个项目把自己定义为 AI 对冲基金的概念验证，核心目标是用大模型参与交易决策。注意 README 里有一句直白的话：系统实际上不进行任何交易。它模拟的是投研流程，从选股、策略配置到回测评估，输出的是决策记录和权益曲线，而不是订单。面向的读者是两类人：想观察 LLM 在金融决策中如何推理的开发者，以及需要快速对比不同策略组合表现的量化爱好者。它不解决券商对接、订单路由、风控执行这些真实交易系统的问题，那些在项目边界之外。
从交互式建仓到 mandate 文件：两种使用路径
安装后直接运行 aihf 会进入交互式终端应用，你可以在这里构建一个基金，选择股票、策略和调仓频率，也可以对已保存的基金做回测，观察权益曲线与基准的对比。基金以 mandate 文件形式保存在 ~/.hedge-fund/mandates/ 目录。另一种路径是非交互式运行，直接指定 mandate 文件和股票列表执行一个周期。mandate 文件描述的是基金本身的属性，包括策略、人员、风险、资本和调仓节奏，它不包含股票代码，股票由命令行参数 --tickers 在运行时传入。这个设计把基金定义与具体标的分开，同一个 mandate 可以反复指向不同的股票组合。
安装与首次运行：pipx 与按需配置的 API 密钥
安装方式有三种，README 推荐 pipx install aihf，也可以用 uv tool install aihf 或 pip install aihf 装进虚拟环境。装完直接执行 aihf 即可。密钥管理走的是按需配置路线，应用在第一次需要某个密钥时才向你要，然后保存到 ~/.hedge-fund/.env，不需要提前准备配置文件。需要两类密钥：Financial Datasets 的 API key 用于获取价格、基本面数据和财报，以及一个 LLM API key 用于驱动基于大模型的 alpha 模型。LLM 提供商支持 Anthropic、OpenAI、DeepSeek、Google、xAI、Kimi 六家。环境变量中导出的密钥优先级高于保存的文件，这个规则对部署到 CI 或服务器场景比较友好。
回测机制：按调仓节奏重放历史
回测通过命令行参数触发，aihf ~/.hedge-fund/mandates/example.yaml --tickers AAPL,MSFT --backtest。文档描述为在历史上按该 mandate 的调仓频率进行回测。这意味着回测粒度与调仓周期绑定，不是逐 tick 的日内模拟，而是以策略规定的调仓时点为采样点。这个设计对低频策略足够，但如果你关心日内冲击成本或盘中波动，它给不了答案。回测输出包括完整的周期记录以 JSON 形式打印到 stdout，简短的人类可读摘要走 stderr。这种输出分流对脚本处理结果比较方便，JSON 给程序，摘要给人。
重构中的项目：从一次性脚本到持久化基金
README 顶部有一段醒目的说明，项目正在重构，目标是变成常驻运行的 AI 对冲基金，把基金作为一等实体，支持回测、模拟交易，并且可选地接入实盘。投资者代理会被重新设计成可插拔、可回测的 alpha 模型。这个方向意味着当前版本与未来版本之间可能有较大的接口变动。对使用者来说，现在学到的 mandate 文件格式和命令行约定，在重构完成后不一定保持兼容。如果你打算基于它做二次开发，需要锁定版本号，而不是跟随 main 分支。
明确的边界与替代方案
这个项目最清晰的一条边界是它不执行交易，所有输出停留在决策层面。如果你需要的是能对接券商 API 的自动交易系统，它从一开始就不在候选名单上。更接近的替代方案是 backtrader 或 vectorbt 这类纯回测框架，它们不依赖 LLM，策略逻辑完全由你写代码定义，回测引擎更成熟，但也没有内置的 LLM 决策层。反过来，如果你关心的是 LLM 在投资决策中的推理质量，aihf 的价值在于它把多智能体协作的流程搭好了，你只需要提供密钥和 mandate。两者解决的问题不同，选哪个取决于你缺的是回测引擎还是 LLM 决策框架。
维护状态与许可证
项目使用 MIT 许可证，仓库处于活跃状态，最近一次推送在 2026 年 8 月，版本号已到 v2.2.0。安装包名从早期版本有所演变，当前 pip 包名为 aihf。从版本演进看，项目在持续迭代，但 README 明确提示正在重构，这意味着 API 稳定性不能保证。MIT 许可证允许商用和修改，但项目自带的免责声明强调不构成投资建议，使用者需自行承担后果。如果你要在内部工具链中引用它的 mandate 格式或 alpha 模型接口，建议先确认你依赖的版本不会在短期内被重构替换。
编辑结论
适合想理解 LLM 如何参与投资决策流程的开发者，以及需要快速验证多策略组合回测思路的研究者。不适合任何打算拿真金白银上线的用户，README 已明确声明系统不执行交易且仅供教育。采用前先确认两点：一是 Financial Datasets 的 API 是否覆盖你感兴趣的标的与历史深度，二是你选的 LLM 提供商是否在 Anthropic、OpenAI、DeepSeek、Google、xAI、Kimi 之列。项目正处于向持久化基金形态重构的过程中，mandate 文件格式和命令行参数可能随版本变动，建议锁定你实际使用的 aihf 版本后再写自动化脚本。
社区笔记