过去几个月，AI金融开源项目明显开始爆发。按GitHub topic粗略检索，过去3个月新出现的 finance + ai/agent 项目有58个，trading + ai/agent 项目有54个。AI Agent正在从通用生产力工具，快速渗透到金融这个最强调数据、决策和收益率的行业。
一些头部项目的增长也很快。TradingAgents创建于2024年底，目前已经超过8万星；AI Hedge Fund超过5万星；Vibe-Trading今年4月才开源，已经超过1万星。
此外，一些权威的机构调查也证明了金融行业对AI的需求。美联储2026年4月的一份监测显示，金融业已经成为AI使用率最高的工作场景之一，达到63%。NVIDIA 2025金融服务AI调研则显示，超过一半金融从业者已经在用GenAI提升文档处理和报告生成效率，交易和组合优化是金融业GenAI ROI最高的用例之一。
笔者最近抽时间把5个有代表性的开源Agent金融项目都体验了一遍，想看看这些产品具体有什么功能，以及是不是真的能替我们在市场中赚钱？
FinRobot（7k星）：研究报告Agent
FinRobot核心输出是Equity research的报告。 我试了几个不同公司，比如英伟达、特斯拉等，报告适合快速建立对一个公司的了解，但深度信息有限。
FinRobot更多的价值在于把投研的工作流拆成了三部分。第一步是拿数据，从专业的Data Vendor获取上市公司收入、成本、利润、估值等财务数据，这一步也是可溯源的。第二步是分析，用numpy/pandas等做确定性计算，大模型负责措辞；最后是报告的输出，包括公司概览、投资概览、财务和估值分析、近期动态、竞争分析等模块。 FinRobot还用了多Agent架构，一共有8个agent，比如有市场预测、文档吻戏、交易策略等不同的agent。但说实话感觉没什么意义，多agent不能保证输出的Alpha。当然，从可控角度看，多Agent有利于输出的一致性。
FinRobot输出的报告
TradingAgents （82k星）：交易团队模拟器
TradingAgent用不同Agent模拟了整个交易部门，包括基本面分析、舆情分析、技术分析、交易员、风险管理等。这些Agent之间还会做动态的交流，以保证输出最佳的决策。
程序启动后，要依次选择/填入Ticker、日期、语言、LLM模型、研究深度（辩论次数）。
选择完后就开始跑分析，会有一个dashboard，显示分析进度、Token消耗、报告数量等。
我选择了这两天因为Nvidia RTX Spark暴涨的Arm。等了一会后报告出来了。项目模拟的每个交易部门，分成了不同的文件夹，里面是其对应产出的分析。最后也有一份总结报告，最终结论是这样：Reduce ARM position to 50–60% of current allocation at ~$408. Set a trailing stop of 2x ATR (~$50 from daily close) on the remaining position to survive noise-driven whipsaws while protecting against a genuine reversal. Ladder re-entry orders at $380 (upper Bollinger Band), $315–330 (10-week EMA), and $204–220 (50-day SMA) to rebuild exposure at favorable risk/reward.
可以看到，相对于FinRobot目标是产出报告，TradingAgents的思路更偏向模拟决策的过程和参与方。在Agent赛道中，它属于Multi-Agent决策架构应用到了金融交易领域，本质是把一次投资/交易判断拆成多角色、多轮辩论、多阶段决策的 LangGraph 工作流。
AI Hedge Fund （59k）：AI对冲基金
这个项目跑起来后本质是一个可视化 Agent 工作流编辑器，感觉有点像金融版的Dify。我可以在上面选择填入股票/组合、分析师、PM三类节点，并进行自由组合。
虽然内置了非常多投资大师Agent，但感觉更多是噱头。毕竟Agent是根据大师的公开信息做出来的，投资大师之所以是大师，肯定不止于ta公开的演讲和文章。
投资大师Agent分析完了之后，由风险管理模块用波动率、相关性和仓位约束计算可交易额度，最后由 Portfolio Manager 在这些约束内输出 buy/sell/short/cover/hold 决策。
从架构上看，AI Hedge Fund显然更易上手，但可能存在persona roleplay，缺少强反证机制；在严肃的投资判断架构上，不如 TradingAgents。
OpenBB （68.5k星）：开源的彭博
OpenBB这个项目的名字含义即开源的Bloomberg。项目跑起来后，可以看到是一个模拟Bloomberg等专业金融平台的页面。
严格来说，OpenBB不是一个交易、投研的职能Agnet，而是数据接口层。它把不同金融数据源标准化后，通过 Python、REST API、OpenBB Workspace、Excel、MCP Server 等接口提供给分析师和Agent使用。核心理念是 “connect once, consume everywhere”：一次接入数据，之后可以被 Python、OpenBB Workspace、Excel、MCP server、REST API 等多个表面使用。
有几个场景都可以使用
个人查数据：股价、财报、宏观指标，写脚本或 Notebook 研究/回测： 板块轮动、风险收益、动量回测；数据 + pandas 将其MCP提供给Cursor、Cladue Code使用 分析师工作台：图表、看板、团队协作，前提是愿意用 OpenBB 的云 UI
Vibe Trading（9.6k星）：氛围交易
Vibe Trading给我的感觉是一个大而全的交易研究个人工作台。
具体功能如下：
第一，自然语言生成和回测策略。比如“回测 BTC-USDT 20/50 日均线策略”，Agent会拉数据、生成策略代码、跑回测、给收益/回撤等指标，并能导出报告。
第二，市场研究。比如研究 NVDA 财报趋势、分析 Fed 利率路径、看 BTC 链上数据等。覆盖 equity、macro、crypto
第三，多 Agent 工作流。它有 investment committee、quant strategy desk、crypto trading desk、macro rates FX desk 等 swarm模版，让多个角色做 bull/bear debate、quant strategy、crypto risk review
第四，Alpha Zoo。这是我觉得相对有实际价值的部分：内置 452 个 alpha 因子，来源包括 Microsoft Qlib Alpha158、Kakushadze 101 Formulaic Alphas、国君 191 因子、Fama-French 5 因子和 Carhart 动量因子，并支持一行命令跑横评。
第五，Shadow Account（交易复盘Agent）。可以上传 broker export，分析你的持仓周期、胜率、盈亏比、回撤、处置效应、过度交易、追涨等行为，再抽取你的“隐含交易规则”，和一个规则化 shadow strategy 做对比。
底层模型是用户自己来选择的，不同模型其实对最后的输出结果影响巨大。这个产品能在一定程度降低策略研究的操作成本，但是否能提高发现Alpha的概率，不清楚。
总结
可以看到，目前将AI Agent应用在金融领域的一个隐含前提是模拟人类，假设好的投资决策 = 复刻一个人类投研团队的组织结构。比如上述的Trading Agents，模拟了现有的基本面、舆情、技术面、多空、风控、PM职能；AI Hedge Fund把各类投资大师，如巴菲特、芒格做成不同风格的投资Agent。但LLM其实并不受人类大脑带宽的限制，从第一性原理来看，人类分工的逻辑必然不是AI和金融结合的最优解，未来的重心可能更多在于构建AI原生的市场判断机制。
