Investment-Agent: Zahlt keine Gebühren an Broker für KI-Investments, sondern teilt Open Source und baut eure Lösungen selbst auf (oder zumindest so ähnlich)

Um Stack, Infrastruktur und die technischen Details geht es hier nicht; wer daran interessiert ist, kann auf GitHub nachsehen.
Da es inzwischen viele Investment-Agenten gibt, stelle ich hier nur ein paar Punkte vor, die dieses Projekt besonders machen.

1. Das Kontomanagement ist mit Event Sourcing umgesetzt, sodass alles reproduzierbar und überprüfbar ist; vor dem Batch-Lauf wird eventbasiert validiert und erst danach ausgeführt.

2. Es handelt sich nicht um Entscheidungen, die über mehrere Agent-Nodes hinweg entstehen, sondern ein einzelner Agent entscheidet selbstständig mithilfe von Tools und Memory.

3. Wenn mehrere Agenten eingesetzt werden, teilen sie ihre Einschätzungen vor dem finalen Trade miteinander. Nach dem Trade liefern sie dem Nutzer außerdem unterhaltsame Board-Posts.

4. Zusätzlich zu den APIs, die der Agent nutzt, gibt es etwa 20 weitere Tools, darunter selbst entwickelte Tools in BigQuery mit vier ML-Modellen für Stacking und Ähnliches.

5. In das Thema Memory ist viel Arbeit geflossen: Standardmäßig wird alles aus einer Vector DB und den BigQuery-Rohdaten geholt, und das Memory ist in drei Stufen aufgebaut, wobei die Speicherdauer je nach Wichtigkeit unterschiedlich festgelegt ist und eine exponentielle Vergessenskurve angewendet wird. Außerdem wird das Memory als Graph modelliert, sodass mit einer bestimmten Erinnerung verknüpfte Erinnerungen kaskadenartig mit auftauchen. Semantisch gespeichert wird nur, was ontologiebasiert verifiziert ist. Beim Start eines Batch-Laufs wird ein Teil des Memorys in den Initial Context injiziert; wenn der Agent Tool Calls ausführt, werden zum relevanten Ticker passende Erinnerungen zusammen mit der Tool Response mitgeliefert. Ziel ist also eine möglichst „menschliche“ Form des Erinnerns.
   Beispiel:
   Beispiel) Wenn in einem Zyklus AAPL kurz vor den Earnings in einem RSI-überkauften Zustand gekauft wurde und daraus ein Verlust entstand:

Speicherung in 3 Stufen: Verlust + hohe Wichtigkeit, also Speicherung als episodic (mittelfristiges Memory). Wenn sich ein ähnliches Muster wiederholt (vor Earnings - RSI überkauft → Verlust), wird es zu semantic (langfristige Lehre) hochgestuft.
Vergessenskurve: Gewöhnliche Trades verlieren nach zwei Wochen automatisch an Gewichtung; große Gewinne/Verluste oder häufig abgerufene Erinnerungen werden langsamer vergessen.
Graph-Verknüpfung: Bei der nächsten Entscheidung zu AAPL taucht nicht nur diese eine Erinnerung auf, sondern auch verknüpfte Erinnerungen wie „Sorgen um die chinesische Lieferkette“ oder „Schwäche im Halbleitersektor“.
Ontologie-Validierung: Nur strukturierte Beziehungen wie AAPL --risk_to--> chinesische Lieferkette bleiben als bedeutungsvolle Erinnerung erhalten. Vage oder unbelegte Dinge wie „AAPL wirkt irgendwie unsicher“ fallen heraus.
Es gibt noch zwei weitere angehängte Agenten: einen für die Nachrichtensuche und einen, der nach dem Batch die Aktionen des Investment-Agenten zusammenfasst und ins Memory einspeist.

6. In der UI ist fast alles sichtbar und anpassbar – bis hin zur Tool-Codebasis (der Einfachheit halber direkt in der UI, auch wenn sie auf GitHub liegt), allen Prompts, die dem LLM injiziert werden, sowie den Tool-Ergebnissen. Anpassbar sind natürlich Modelleinstellungen, aber auch Risikomanagement, Prompts (zum Beispiel Anlagestil oder Art der Board-Posts), die verwendeten Tools (wenn einem die vorhandenen nicht gefallen, kann man eigene bauen und über MCP anbinden) sowie das Memory-Management (das gesamte oben beschriebene Memory-System lässt sich anpassen). Man kann sich also seinen ganz eigenen Investment-Agenten entwerfen.

7. Rendite. Am US-Markt liegt die Performance derzeit leider noch unter der Marktrendite, aber das Projekt ist noch in einer frühen Phase, daher sollte man es noch etwas beobachten. Für den koreanischen Markt gibt es zwar nichts im Showcase, aber dort liegt die Performance ungefähr auf Marktniveau.

Wie auch immer: Investieren wird am Ende wohl nach und nach an Agenten übergehen. Die wichtige Frage ist dann, ob man fremde Agenten nutzt und dafür Gebühren zahlt, oder ob man seinen eigenen Agenten baut und sich diese Gebühren spart. Die Idee hinter der Open-Source-Veröffentlichung ist, keine Trading- oder Agent-Gebühren an Broker zu zahlen, sondern die Lösung gemeinsam weiterzuentwickeln und selbst aufzubauen.