Testei o AI Hedge Fund, o repo open source com 64.000 estrelas no GitHub

O AI Hedge Fund é o repositório open source de Virat Singh para operar um fundo com agentes de IA, e 64.000 pessoas o marcaram com estrela no GitHub. Ele é montado como uma pequena pod shop: agentes investidores formam opiniões e código comum decide o dinheiro. Para ver como isso funciona na prática, montei com ele um fundo de paper trading de $100,000, rodei ao vivo no DeepSeek no pregão de 9 de outubro de 2026 e rastreei no código cada número que ele produziu.

Graham, Buffett e Munger leram os mesmos relatórios de cinco ações. Buffett e Munger gostaram de Adobe e Autodesk. Graham não, e o arquivo de estratégia conta o voto dele em dobro. Com votos iguais, esses dois nomes teriam ficado com 24% do fundo. Com o voto dobrado de Graham, a Adobe ficou com 2,7% e a Autodesk com nada. Uma linha em um arquivo YAML de 13 linhas, weight: 2.0, mexeu mais na carteira do que o modelo de linguagem.

Vídeo mais recente: Vibe Trading open source com DeepSeek e Claude: configuração, backtest e comitê

O que é o AI Hedge Fund

Virat Singh criou o repositório em novembro de 2024. Ele também fundou a Financial Datasets, a empresa de dados que o fundo lê por padrão, hoje na Y Combinator. Dez versões saíram desde julho, da reconstrução na 2.0.0, em 18 de julho, até a 2.5.0, em 2 de outubro, que adicionou paper trading: o fundo avança um pregão real por vez com dinheiro fictício, e você aprova cada decisão antes da execução. O README o descreve como uma prova de conceito educacional que, nas palavras dele, "não executa nenhuma operação de fato".

Como funciona

Um fundo começa como um mandato: estratégias, capital, frequência de rebalanceamento, limites de risco e uma lista de tickers. Para cada ticker, a camada de dados monta um retrato dos preços e dos últimos quatro trimestres, só como foram divulgados até aquela data. Um backtest vai além e esconde o nome da empresa e as datas, para que o modelo não se apoie no que lembra sobre como os resultados saíram.

Seis analistas leem esse retrato. Cinco são prompts de investidores rodados pelo modelo de linguagem que você escolher: Graham quer margem de segurança, Buffett quer um fosso, Munger inverte e pergunta o que faria o negócio fracassar, Lynch quer crescimento a preço razoável e Druckenmiller busca uma virada de tendência, o único autorizado a vender a descoberto. O sexto é pura matemática: drift pós-resultado, que compra depois de um resultado acima do esperado e vende depois de um abaixo. Cada um devolve um sinal de -1 (baixista) a +1 (altista) e uma tese escrita, ou se abstém quando faltam dados.

As estratégias definem quem senta na mesa e quanto vale cada voto. A Deep Value, usada aqui, é um arquivo pequeno cujo próprio comentário diz que Graham "lidera (peso dobrado na combinação)":

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

Daqui em diante, nenhum modelo de linguagem toca no dinheiro. O arquivo de visão do projeto coloca isso como regra: "O LLM nunca toca na operação."

A matemática entre os sinais e a carteira

Quatro linhas de aritmética transformam sinais em posições. Elas ficam em dois arquivos, hedge_fund/portfolio/construction.py e hedge_fund/risk/limits.py, e são curtas o bastante para escrever aqui.

A convicção é uma média ponderada dos sinais dos investidores, com os pesos tirados do arquivo de estratégia. No modo long-only, só convicções positivas recebem dinheiro, na proporção do seu tamanho, e cada estratégia tem uma fatia do fundo: aqui, duas estratégias com metade cada. Depois o risco assume. O módulo começa com "A convicção pede, o risco decide", e qualquer nome acima do teto é cortado:

# hedge_fund/risk/limits.py
if abs(w) > cap:
    new_w = cap if w > 0 else -cap

O que o corte remove não vai para outros nomes. Fica em caixa, porque redistribuir "deixaria a etapa de risco aumentar posições, o que inverte sua função". Uma decisão tomada em um fechamento é executada no seguinte, e cada pregão entra em um ledger encadeado por hash ao anterior.

Uma execução de paper trading ao vivo

Graham, Buffett e Munger analisaram as cinco ações enquanto o modelo quant procurava surpresas de resultado. Lynch e Druckenmiller ficaram de fora, porque as estratégias deles não estão neste fundo. Todos os sinais abaixo vêm do ledger do fundo.

Na NVIDIA, Graham viu um balanço sólido, mas nenhuma margem de segurança a 28 vezes o lucro: "uma empresa sólida, sim, mas não uma que o investidor defensivo deva comprar a esta cotação". Buffett leu os mesmos números, margem bruta de 75% e retorno sobre o patrimônio de 84%, e chamou de "um fosso excepcional". Em Adobe e Autodesk os dois grupos se dividiram quase igualmente, e o voto em dobro decidiu. O earnings drift ficou em silêncio, sem nenhuma surpresa de lucro recente em nenhuma das cinco, então a sua metade do fundo ficou em caixa.

Só duas convicções foram positivas, NVIDIA com 0,435 e Adobe com 0,025, então a NVIDIA levou 94,6% da fatia Deep Value: 47,3% do fundo. Um teto de 25% a cortou, e os 22,3 pontos retirados foram para caixa. A Adobe ficou com 2,7%. Todo o resto, 72,3% do fundo, ficou em caixa.

Quanto um único peso decide

Cada convicção aqui é uma função linear do peso do voto de Graham, então é fácil ver onde uma ação vira. Com Buffett e Munger com peso 1, uma ação que Graham avalia abaixo de zero só fica positiva enquanto

w_G < (s_B + s_M) / |s_G|

Para a Autodesk isso dá (0,81 + 0,76) / 0,82 = 1,91. Para a Adobe, (0,86 + 0,80) / 0,78 = 2,13. E o 2,0 do arquivo fica exatamente entre os dois: logo acima do ponto de equilíbrio da Autodesk, então a Autodesk sai, e logo abaixo do da Adobe, então a Adobe sobrevive com uma fatia mínima.

Com votos iguais, os dois nomes teriam juntos 24% do fundo. Com o 2,0 do arquivo, têm 2,7%. Um peso de 2,2 zeraria os dois. E os pontos de equilíbrio se movem com os próprios sinais: um modelo de linguagem que lê a Autodesk como 0,85 baixista numa semana e 0,78 na outra empurra essa linha para o outro lado de 2,0 sozinho.

O mesmo fundo, dentro do Glassbench

O Glassbench é uma bancada open source para agentes de trading com IA criada para esta série: todas as execuções numa tabela, cada agente visível enquanto trabalha, cada chamada armazenada. O AI Hedge Fund roda nele ao lado do TradingAgents, intocado em seu próprio ambiente.

Uma execução Deep Value na NVIDIA para 12 de outubro levou 59 segundos e 3 chamadas ao modelo, e chegou ao mesmo quadro do terminal: convicção de +0,41, limitada a 25%. O Glassbench converte a convicção em uma recomendação para que frameworks diferentes compartilhem uma tabela: 0,50 ou mais é Compra, de 0,15 a 0,50 é Overweight, então +0,41 aparece como Overweight.

O Financial Datasets acerta em muita coisa. É a empresa do próprio Virat, então o fundo o lê nativamente. Os demonstrativos são point in time, visíveis só a partir do dia em que foram arquivados, o que mantém o backtest honesto, e uma única chave dá indicadores prontos, além de notícias e operações de insiders. O Glassbench também adiciona uma segunda rota que reconstrói as mesmas linhas a partir de preços do Yahoo Finance e documentos da SEC EDGAR, usando o Financial Datasets como referência: margens, retorno sobre o patrimônio, lucro e valor patrimonial por ação batem até a terceira ou quarta casa decimal. Essa rota não é nativa do AI Hedge Fund, e toda execução que a usa informa isso.

Limitações

• Cada investidor precisa de quatro trimestres arquivados, e o plano de entrada do Financial Datasets cobre 12 meses, então Apple e Microsoft não couberam e a execução usou ações que couberam.
• Os investidores leem só fundamentos e lucros, com o P/L do último balanço: sem notícias, sem tendência de preço.
• Os backtests ainda não têm verificação de overfitting, e não há corretora real. Toda execução de ordem é simulada.
• Uma sessão mostra como a máquina funciona. Não diz nada sobre retornos.

Próximos passos

Este fundo de paper trading continua rodando toda semana com o mesmo mandato, uma sessão de cada vez, cada uma registrada no seu livro encadeado por hash e no Glassbench, até haver um histórico que valha a pena ler. Um passo a passo completo, da instalação à execução ao vivo, está no vídeo no topo desta página.

Fontes: AI Hedge Fund 2.5.0 (github.com/virattt/ai-hedge-fund), código citado de hedge_fund/portfolio/construction.py e hedge_fund/risk/limits.py; livro do fundo da sessão de 9 de outubro de 2026, reproduzido com as mesmas regras em todos os gráficos (o replay reproduz os números do livro); datas de lançamento das releases do repositório no GitHub; execução do Glassbench 20261012-003258-NVDA-b262. Fotos dos investidores no diagrama: Benjamin Graham e Warren Buffett, domínio público; Charlie Munger por Nick, CC BY 2.0, via Wikimedia Commons. Não é recomendação de investimento.