Probé AI Hedge Fund, el repo open source con 64.000 estrellas en GitHub
Cómo el fondo multiagente convierte cinco agentes inversores y un modelo cuantitativo en un portafolio, la matemática detrás de cada paso y una corrida en vivo de paper trading con DeepSeek donde un solo peso en un archivo de estrategia decidió dos de cinco acciones.
AI Hedge Fund es el repositorio open source de Virat Singh para operar un fondo con agentes de IA, y 64.000 personas le dieron estrella en GitHub. Está armado como un pequeño pod shop: los agentes inversores forman opiniones y el código decide el dinero. Para ver cómo funciona en la práctica, armé con él un fondo de paper trading de $100.000, lo corrí en vivo con DeepSeek en la sesión del 9 de octubre de 2026 y rastreé en el código cada número que produjo.
Graham, Buffett y Munger leyeron los mismos reportes de cinco acciones. A Buffett y Munger les gustaron Adobe y Autodesk. A Graham no, y el archivo de estrategia cuenta su voto doble. Con votos iguales, esos dos nombres habrían tenido el 24% del fondo. Con el voto doble de Graham, Adobe recibió 2,7% y Autodesk nada. Una línea en un archivo YAML de 13 líneas, weight: 2.0, movió el portafolio más que el modelo de lenguaje.
Último video: Vibe trading open source con DeepSeek y Claude: configuración, backtest y comité
Qué es AI Hedge Fund
Virat Singh creó el repositorio en noviembre de 2024. También fundó Financial Datasets, la empresa de datos que el fondo usa por defecto, hoy en Y Combinator. Desde julio salieron diez versiones, desde una reconstrucción en la 2.0.0 el 18 de julio hasta la 2.5.0 el 2 de octubre, que agregó paper trading: el fondo avanza una sesión real de mercado a la vez con dinero ficticio, y tú apruebas cada decisión antes de que se ejecute. Su README lo define como una prueba de concepto educativa que, en sus propias palabras, "no ejecuta ninguna operación real".
Cómo funciona
Un fondo empieza como un mandato: estrategias, capital, frecuencia de rebalanceo, límites de riesgo y una lista de tickers. Para cada ticker, la capa de datos arma una foto de precios y de los últimos cuatro trimestres, solo tal como se habían reportado a esa fecha. Un backtest va un paso más allá y oculta el nombre de la empresa y las fechas, para que el modelo no pueda apoyarse en lo que recuerda sobre cómo salieron los resultados.
Seis analistas leen esa foto. Cinco son prompts de inversores que corre el modelo de lenguaje que elijas: Graham busca margen de seguridad, Buffett un foso competitivo, Munger invierte el problema y pregunta qué haría fracasar al negocio, Lynch quiere crecimiento a precio razonable y Druckenmiller busca un giro en la tendencia, el único autorizado a ir en corto. El sexto es pura matemática: drift post-resultados, que compra tras una sorpresa positiva y vende tras una negativa. Cada uno devuelve una señal de -1 (bajista) a +1 (alcista) y una tesis escrita, o se abstiene si faltan datos.
Las estrategias deciden quién se sienta en la mesa y cuánto cuenta cada voto. Deep Value, la que usé aquí, es un archivo pequeño cuyo propio comentario dice que Graham "lidera (doble peso en la mezcla)":
name: deep-value
display_name: Deep Value
models:
- name: graham
weight: 2.0
- name: buffett
- name: munger
blend:
mode: long_only
method: conviction_weighted
gross_target: 1.0
De aquí en adelante, ningún modelo de lenguaje toca el dinero. Su archivo de visión lo plantea como regla: "El LLM nunca toca la operación".
La matemática entre las señales y el portafolio
Cuatro líneas de aritmética convierten señales en posiciones. Están en dos archivos, hedge_fund/portfolio/construction.py y hedge_fund/risk/limits.py, y son lo bastante cortas para escribirlas.
La convicción es un promedio ponderado de las señales de los inversores, con pesos tomados del archivo de estrategia. En modo solo largo, solo las convicciones positivas reciben dinero, en proporción a su tamaño, y cada estrategia tiene su porción del fondo: aquí dos estrategias con la mitad cada una. Luego entra el riesgo. Su módulo abre con "La convicción propone, el riesgo dispone", y cualquier nombre por encima del tope se recorta:
# hedge_fund/risk/limits.py
if abs(w) > cap:
new_w = cap if w > 0 else -cap
Lo que se recorta no se reparte entre otros nombres. Queda en efectivo, porque redistribuirlo "permitiría que la etapa de riesgo aumentara posiciones, lo que invierte su función". Una decisión tomada en un cierre se ejecuta en el siguiente, y cada sesión entra a un libro contable encadenado por hash a la anterior.
Una corrida en vivo de paper trading
| Parámetro | Valor |
|---|---|
| App | aihf 2.5.0, instalado con pip, en Windows |
| Modelo para todos los inversores | DeepSeek V4.1 Flash |
| Datos | Financial Datasets, el cliente propio del framework |
| Estrategias | Deep Value y Earnings Drift, la mitad del capital cada una |
| Capital y frecuencia | $100.000, semanal |
| Acciones | NVIDIA, Adobe, Autodesk, Walmart, Oracle |
| Límites de riesgo | 25% por nombre, 100% bruto |
| Sesión | cierre del 9 de octubre de 2026, opera en el cierre siguiente |
Graham, Buffett y Munger analizaron las cinco acciones mientras el modelo cuantitativo buscaba sorpresas en resultados. Lynch y Druckenmiller quedaron fuera, porque sus estrategias no están en este fondo. Cada señal de abajo sale del libro contable del fondo.
En NVIDIA, Graham vio un balance sólido pero ningún margen de seguridad a 28 veces utilidades: "una empresa sólida, sí, pero no una que un inversionista defensivo deba comprar a esta cotización". Buffett leyó los mismos números, márgenes brutos de 75% y rentabilidad sobre el patrimonio de 84%, y lo llamó "un foso excepcional". En Adobe y Autodesk los dos bandos quedaron casi empatados, y el voto doble decidió. Earnings drift se quedó callado, sin sorpresa de utilidades reciente en ninguna de las cinco, así que su mitad del fondo quedó en efectivo.
Solo dos convicciones fueron positivas, NVIDIA con 0,435 y Adobe con 0,025, así que NVIDIA se llevó el 94,6% de la porción Deep Value: 47,3% del fondo. Un tope de 25% lo recortó, y los 22,3 puntos retirados pasaron a efectivo. Adobe se quedó con 2,7%. Todo lo demás, 72,3% del fondo, quedó en efectivo.
Cuánto decide un solo peso
Aquí cada convicción es una función lineal del peso del voto de Graham, así que es fácil ver dónde cambia de signo una acción. Con Buffett y Munger en peso 1, una acción que Graham califica por debajo de cero se mantiene positiva solo mientras
wG < (sB + sM) / |sG|
Para Autodesk eso da (0,81 + 0,76) / 0,82 = 1,91. Para Adobe da (0,86 + 0,80) / 0,78 = 2,13. Y el 2,0 del archivo queda justo en medio: apenas por encima del punto de equilibrio de Autodesk, así que Autodesk sale, y apenas por debajo del de Adobe, así que Adobe sobrevive con una tajada mínima.
Con votos iguales, los dos nombres sumarían el 24% del fondo. Con el 2,0 del archivo suman 2,7%. Un peso de 2,2 vaciaría ambos. Y los puntos de equilibrio se mueven con las propias señales: un modelo de lenguaje que lee Autodesk como 0,85 bajista una semana y 0,78 la siguiente mueve esa línea a través de 2,0 por sí solo.
El mismo fondo, dentro de Glassbench
Glassbench es un banco de trabajo open source para agentes de trading con IA, creado para esta serie: cada corrida en una tabla, cada agente visible mientras trabaja, cada llamada guardada. AI Hedge Fund corre ahí junto a TradingAgents, intacto en su propio entorno.
Una corrida Deep Value sobre NVIDIA para el 12 de octubre tomó 59 segundos y 3 llamadas al modelo, y llegó al mismo resultado que la terminal: una convicción de +0,41, limitada a 25%. Glassbench traduce la convicción a una calificación para que distintos frameworks compartan una tabla: 0,50 o más es Buy, de 0,15 a 0,50 Overweight, así que +0,41 se lee como Overweight.
Financial Datasets hace muchas cosas bien. Es la propia empresa de Virat, así que el fondo lo lee de forma nativa. Los estados financieros son point in time, visibles solo desde el día en que se presentaron, lo que mantiene honesto un backtest, y una sola clave da ratios listos además de noticias y operaciones de insiders. Glassbench también agrega una segunda vía que reconstruye las mismas filas con precios de Yahoo Finance y reportes de SEC EDGAR, con Financial Datasets como referencia: márgenes, rentabilidad sobre el patrimonio, utilidades y valor en libros por acción coinciden hasta el tercer o cuarto decimal. Esa vía no es nativa de AI Hedge Fund, y cada corrida que la usa lo indica.
Limitaciones
- Cada inversionista necesita cuatro trimestres reportados, y el plan básico de Financial Datasets cubre 12 meses, así que Apple y Microsoft no entraban y la corrida usó acciones que sí.
- Los inversionistas leen solo fundamentales y utilidades, con el P/E al último reporte: sin noticias, sin tendencia de precio.
- Los backtests aún no tienen control de sobreajuste, y no hay un broker real. Cada ejecución es simulada.
- Una sesión muestra cómo funciona la máquina. No dice nada sobre rendimientos.
Lo que sigue
Este fondo de paper trading sigue corriendo cada semana con el mismo mandato, una sesión a la vez, cada una registrada en su libro encadenado por hash y en Glassbench, hasta que haya un historial que valga la pena leer. Un recorrido completo, desde la instalación hasta la corrida en vivo, está en el video al inicio de esta página.
Fuentes: AI Hedge Fund 2.5.0 (github.com/virattt/ai-hedge-fund), código citado de hedge_fund/portfolio/construction.py y hedge_fund/risk/limits.py; el libro del fondo para la sesión del 9 de octubre de 2026, reproducido con las mismas reglas para cada gráfico (la reproducción replica los números del libro); fechas de lanzamiento según los releases del repositorio en GitHub; corrida de Glassbench 20261012-003258-NVDA-b262. Fotos de inversionistas en el diagrama: Benjamin Graham y Warren Buffett, dominio público; Charlie Munger por Nick, CC BY 2.0, vía Wikimedia Commons. No es asesoría de inversión.
Escrito por David Arias, CFA
CFA charterholder y gestor de portafolios certificado, trabaja en deuda privada de mercados emergentes, derivados y finanzas cuantitativas. Desarrolla herramientas de IA open source para finanzas, como Glassbench, y publica el código detrás de cada modelo de este sitio.
Ver más de mí
