Der Aufstieg von Investment-Systemen mit mehreren Agenten

Im Dezember 2024 veröffentlichte Tauric Research ein Paper und ein gleichnamiges Repository: TradingAgents. Die Idee war leicht zu erklären und fand schnell Anklang. Statt ein Sprachmodell zu fragen, ob eine Aktie gekauft werden sollte, wird eine Handelsfirma nachgebildet. Analysten sammeln Belege. Research-Agenten diskutieren bullische und bearische Thesen. Ein Trader schlägt eine Position vor. Ein Risikoteam widerspricht. Ein Manager entscheidet.

Weniger als zwei Jahre später besitzt das Repository 110.565 Sterne und gewinnt etwa +889 pro Woche hinzu. Der chinesischsprachige Fork TradingAgents-CN hat selbst 32.243 Sterne. Das Muster wurde kopiert, erweitert und teilweise durch vorsichtigere Ansätze ersetzt. Dieser Artikel betrachtet Herkunft, Umsetzung in den wichtigsten Projekten und die tatsächliche Beleglage.

TradingAgents

Sterne

110.565

Sterne-Zuwachs · 7 Tage

+889

Sterne-Zuwachs · 30 Tage

+6.452

Letzter Push

vor 8 Tagen

Lizenz

Apache-2.0

AI Hedge Fund

Sterne

63.932

Sterne-Zuwachs · 7 Tage

+115

Sterne-Zuwachs · 30 Tage

+780

Letzter Push

vor 9 Tagen

Lizenz

MIT

FinRobot

Sterne

8.202

Sterne-Zuwachs · 7 Tage

+68

Sterne-Zuwachs · 30 Tage

+256

Letzter Push

vor 13 Tagen

Lizenz

Apache-2.0

RD-Agent

Sterne

14.893

Sterne-Zuwachs · 7 Tage

+57

Sterne-Zuwachs · 30 Tage

+334

Letzter Push

vor 5 Tagen

Lizenz

MIT

TradingAgents-CN

Sterne

32.243

Sterne-Zuwachs · 7 Tage

+119

Sterne-Zuwachs · 30 Tage

+620

Letzter Push

vor 19 Tagen

Lizenz

Other

Projekt	Sterne	7 T.	30 T.	Lizenz	Letzter Push
TradingAgents	110.565	+889	+6.452	Apache-2.0	vor 8 Tagen
AI Hedge Fund	63.932	+115	+780	MIT	vor 9 Tagen
FinRobot	8.202	+68	+256	Apache-2.0	vor 13 Tagen
RD-Agent	14.893	+57	+334	MIT	vor 5 Tagen
TradingAgents-CN	32.243	+119	+620	Other	vor 19 Tagen

Das Organigramm als Architektur

TradingAgents beschreibt seine Pipeline als LangGraph-Graph: Parallele Analysten für Fundamentaldaten, Stimmung, Nachrichten und Technik beliefern bullische und bearische Research-Agenten. Ein Trader übersetzt die Debatte in einen Vorschlag, ein Risikoteam prüft und ein Portfoliomanager entscheidet. Schnelle und tiefgehende Denkschritte können unterschiedliche Modelle verwenden. Ein günstiges Modell fasst Nachrichten zusammen, ein teureres diskutiert die These.

AI Hedge Fund setzt auf Investor-Personas in „Fonds“ mit eigenen Strategien, Kapital und Taktung. Sie durchlaufen abgeschlossene Handelssitzungen mit Freigabeschritt und einem über Hashes verketteten Ledger. Das Projekt ist ausdrücklich für Bildung gedacht und platziert keine realen Trades. Dennoch hat es 63.932 Sterne gesammelt.

FinRobot von der AI4Finance Foundation durchlief drei Generationen: AutoGen, OpenAI Agents SDK und eine PydanticAI-Desktop-App. Architektonisch ist die zweite Version besonders interessant: Ein leitender Agent koordiniert Daten-, Analyse-, Modellierungs-, Synthese- und Berichtsagenten sowie bullische, bearische und urteilende Debattenagenten. Laut Projekt stammen alle Zahlen aus 32 deterministischen Python-Operatoren; das LLM erzählt nur die Ergebnisse.

Das zeigt einen Trend von 2026. In der ersten Welle rechnete das Modell selbst. Zunehmend diskutiert das Modell, während Code die Berechnungen übernimmt.

Varianten der Debatte

Nach Einführung der Organigramm-Metapher lag es nahe, Zusammensetzung und Abstimmungsregeln zu variieren.

• Glaubwürdigkeitsbewertung. TrustTrade, ein im Oktober 2026 veröffentlichter TradingAgents-Fork eines Harvard-Labors, bewertet Glaubwürdigkeit zwischen Analysten und Research-Agenten. Nur ein „selektiver Konsens“ erreicht den Trader. Das Paper berichtet für drei große Unternehmen im ersten Quartal 2024 einen Anstieg der durchschnittlichen kumulierten Rendite von etwa 10 % auf 26 % bei hohem Konsens, allerdings mit größerem Drawdown.
• Gremien mit Veto. astra-quant-agent nutzt mehrere Modelle für Makro, Trend, Mikrostruktur und Gegenpositionen mit Regeln wie „paranoides Veto“ und „gewichtete Mehrheit“. Danach prüfen deterministische Python-Risikostufen, bevor etwas OKX erreicht.
• Zeitgesteuerte Teams. yebofs quant-agent betreibt acht tägliche Agenten für Technik, Nachrichten, Makro, Ergebnisse, Portfoliomanagement, Risiko, Positionsprüfung und Abendanalyse über sechs Marktsitzungen. Ein quartalsweiser Meta-Reflektor überarbeitet die übrigen Agenten.
• Tiefenstufen. TradingAgents-CN bietet fünf Research-Tiefen als praktische Antwort auf die Kosten einer vollständigen täglichen Debatte je Instrument.
• Research- statt Handelsschleifen. Microsofts RD-Agent verwendet Forscher für Hypothesen und Entwickler für Umsetzung bei der Qlib-Faktor- und Modellsuche. Er handelt nicht, sondern soll quantitative Forschung beschleunigen.

Worin die Architektur hilfreich ist

Nach unserer Lektüre der Projekte und Papers in drei Bereichen:

1. Nachvollziehbarkeit. Ein Debattenprotokoll ist aussagekräftiger als eine einzelne Modellantwort. Es zeigt verwendete, übergangene und vom Risikoteam beanstandete Belege. Das ist für Forschung, Lehre und Nachbesprechungen unabhängig von Rendite nützlich.
2. Getrennte Zuständigkeiten. Ein enger Auftrag pro Agent, etwa nur Unternehmensbericht oder Nachrichtenfeed, hilft beim Umgang mit Kontextfenstern und macht den Einsatz günstiger und teurer Modelle sichtbar.
3. Ein Platz für Kontrollmechanismen. In der Risikokomitee-Stufe setzen sorgfältigere Projekte deterministischen Code ein: Positionsgrenzen, Expositionslimits und ein abschließendes Veto, das kein Prompt umgehen kann.

Was noch nicht belegt ist

Diese Fragen beantworten Sterne-Zahlen nicht.

Reproduzierbare Renditen. TradingAgents warnt inzwischen, dass Backtests nicht garantiert veröffentlichte Zahlen erreichen. Das Framework soll als Forschungsgerüst für Mehragentenanalysen verstanden werden, nicht als Strategie mit fester reproduzierbarer Rendite. Das ist eine angemessene Einordnung und zeigt zugleich, warum Paper-Zahlen kein Leistungsnachweis sind.

Belege aus realem Betrieb. Das uns bekannte öffentliche fortlaufende Protokoll im DXRG-Paper zu zwei produktiven LLM-Trading-Agentenflotten zeigte in der Vorabphase keinen gerichteten Vorteil. Ein festes 2-%-/4-%-Bracket übertraf jeden untersuchten diskretionären Ausstieg. Diese Flotten waren Einzelmodell-Kryptosysteme, keine Aktien-Debattenpipelines; die Ergebnisse sind deshalb nicht direkt übertragbar. Sie bilden dennoch einen seltenen Echtzeitnachweis dieser Art.

Verbessert Debatte die Kalibrierung? Wir fanden keine saubere Ablationsstudie, die dasselbe Modell mit denselben Daten mit und ohne bullisch-bearische Debatte auf kalibrierte Wahrscheinlichkeiten statt Backtest-Rendite prüft. Diese Untersuchung fehlt; die erste saubere Studie werden wir verlinken.

Kosten. Mehragentenpipelines vervielfachen Tokens. TradingAgents-Modellstufen und TradingAgents-CN-Research-Tiefen existieren, weil eine vollständige tägliche Debatte je Ticker teuer ist. Keine untersuchte README nennt Kosten pro Entscheidung.

Wohin sich der Bereich entwickelt

Drei Signale aus den Repositories, die wir über die Rangliste weiter beobachten:

• Der Schwerpunkt verschiebt sich von „Agenten entscheiden“ zu „Agenten erklären, Code entscheidet“: FinRobot V2s Operatoren, astras Risikoprüfungen und Lumibots Order-Prüfstufe sind Varianten davon.
• Gedächtnis wird zu einer eigenen Ebene. FinMem integrierte 2023 gestuftes Gedächtnis in einen Agenten. TradeMemory Protocol stellt es inzwischen als MCP-Server mit Prüfprotokoll für beliebige Agenten bereit.
• Besonders nützliche neue Projekte sind Evaluationswerkzeuge: TrustTrades Release-Skripte, Kalshis Prüfumgebung für einen messbaren Vorteil und DXRGs Flottendaten. Das Fachgebiet beginnt, sich selbst zu messen, bevor es belastbare Aussagen über Investieren machen kann.

Unser bisheriger Beitrag ist die Untersuchung von zwanzig Open-Source-Agenten. Vor der Frage, ob Debatten helfen, muss klar sein, welche Systeme überhaupt Orders ausführen können, mit welchen Hinweisen und welchen Belegen.