GitHub 上最新的 AI 金融開源專案（2026 年 9 月更新）：原本 5 個重新排名，再加 4 個新專案
目錄
2026 年 9 月 26 日更新。 原本的五個專案保留在下方，星數是三月寫的時候的數字；這一節用 GitHub API 把每個數字重查一遍，再補上四個當時還不存在、或小到沒注意的專案。
利益揭露：Ultra Lab、MindThread 與 Ultra Advisor 同屬傲創實業，是同集團產品。
2026 年 9 月更新：半年變了什麼
原本五個，依星數重新排名（GitHub API，2026-09-26）
| 專案 | 2026 年 3 月 | 2026 年 9 月 | 最後更新 |
|---|---|---|---|
| TauricResearch/TradingAgents | 44.7K | 108,676 | 2026-09-25 |
| virattt/ai-hedge-fund | 49.6K | 63,752 | 2026-09-25 |
| NoFxAiOS/nofx | 11.2K | 12,958 | 2026-09-05 |
| Jon-Becker/prediction-market-analysis | 2.3K | 3,858 | 2026-09-21 |
| pmxt-dev/pmxt | 1.2K | 2,169 | 2026-07-18 |
重點是 TradingAgents：半年內星數翻倍有餘，超越 ai-hedge-fund 成為這份清單上星數最高的專案。其他幾個是正常成長。另外看「最後更新」欄：TradingAgents（9 月發布 v0.5.0）、ai-hedge-fund、prediction-market-analysis 都在最近一週內有更新，pmxt 則從 7 月 18 日之後就沒再更新，如果你打算在上面蓋東西，這個比星數重要。
更正：這張表先前把 TradingAgents 三月的星數寫成約 9.3K，高估了它的成長幅度。2026 年 3 月 31 日的 repo 頁面存檔快照顯示是 44,674 星。
四個今年才出現、值得認識的新專案
6. HKUDS/Vibe-Trading · 34,055 星 · MIT · Python · 2026 年 4 月 1 日建立
「你的個人交易 agent」。出自香港大學的資料科學實驗室（做 LightRAG 的同一組人）。一行 pip install vibe-trading-ai 給你一個 agent 框架，內建交易技能包、回測引擎、投組最佳化、涵蓋美股／港股／A 股／韓股／加密貨幣的行情來源備援鏈、MCP 伺服器、還有桌面版。README 的更新日誌幾乎每天寫，而且異常誠實：像「回測報告現在顯示真正成交的部位」「測試套件不再寫進你真實的設定目錄」這種條目，等於直接告訴你之前哪裡是壞的。它是這份清單中 2026 年新建專案裡星數最高的一個，8 月 24 日到 9 月 26 日之間又多了約 2,500 星。一個提醒直接抄自他們的 README：有人冒名開了 X 帳號和代幣，專案從未發行任何代幣。
7. TraderAlice/OpenAlice · 7,162 星 · AGPL-3.0 · TypeScript · 2026 年 2 月 18 日建立
「你的一人華爾街」。思路跟其他每一個都不同：它不做交易 agent，而是給程式 agent（Claude Code、Codex、opencode、Pi）一個「交易形狀」的工作區：每個任務一個 git repo、markdown 寫的 issue、股票與論點的記憶圖譜、收報告的收件匣，以及「交易即 git」：帳戶操作要 stage、commit、review、push 過審核閘門，不讓 agent 直接下單。本機執行，狀態是 ~/.openalice 底下的一般檔案。README 自己說交易層「特別 beta」、別拿賠不起的錢實盤。先當研究工作區用最合適。
8. questflowai/investorskills · 1,862 星 · MIT · 2026 年 5 月 27 日建立
不是程式，是判斷力。一個 SKILL.md 技能包的資料庫，把巴菲特、李佛摩等投資人怎麼篩機會、怎麼算部位、什麼情況算論點失效，寫成 YAML 加 markdown 的結構，任何 agent 框架都讀得懂，Claude Code、Codex、Cursor 都能用。公開的 repo 是 Questflow 這個產品的免費層，閉源的「獨家技能」沒放出來。如果你想讓 agent 用某一派的方式思考、而不是泛泛地「分析這檔股票」，這個有用。
9. mnemox-ai/tradememory-protocol · 1,422 星 · MIT · Python · 2026 年 2 月 23 日建立
交易 agent 的記憶層，做成 MCP 伺服器（pip install tradememory-protocol，再 claude mcp add）。交易前先回想「上次在類似條件下發生了什麼」；交易後一個呼叫把結果、理由、情緒狀態寫進五層記憶；每個決策都做 SHA-256 雜湊留下防竄改的稽核軌跡，瞄準的是 MiFID II 那種演算法決策留證要求。它不下單。README 寫明 2026 年 8 月起功能完整、進入維護模式，所以把它當成品工具用，不要期待它繼續長。
四個新專案的共同點
它們全是 agent 基礎設施，不是交易策略。半年前有意思的 repo 是「會交易的 AI」，現在是框架、工作區、判斷力資料庫、記憶層，任何 agent 都能接上去。這跟一年前程式 agent 走過的路一樣，教訓也一樣：策略是最容易被抄的部分，策略周圍的鷹架才是真正的工。
以下是原文，星數是 2026 年 3 月寫作時的數字。
2025 年，光是 AI 交易相關的 GitHub 專案就累積了超過 10 萬顆星。2026 Q1 還沒結束，已經有專案在三個月內從零衝到近萬星。
這不是泡沫，是真金白銀在流動。Renaissance Technologies 的 Medallion Fund 年化報酬率 66%，而現在 GitHub 上的開源專案正在試圖用 LLM 複製這種決策邏輯。
我們篩了幾十個專案，挑出 5 個真正值得你花時間看的。不是 toy project，是有架構、有社群、有持續更新的東西。
1. TradingAgents：多代理 LLM 交易框架
TauricResearch/TradingAgents | ⭐ 44.7K（2026 年 3 月 31 日存檔快照；原文誤寫為 9.3K+）
2026 年 9 月 27 日更正。 三月的版本把研究員 agent 寫成挖掘數據和歷史模式，把風控 agent 寫成最後一道防線，也漏了投資組合經理 agent。當時的 README 寫的是看多、看空兩方研究員針對分析師的報告辯論，最後由投資組合經理 agent 核准或否決交易。下面已依當時的 README 改正。
一句話： 用多個 AI Agent 模擬一間交易公司的完整決策鏈。
這個專案的野心不小。它不是讓一個 LLM 直接吐出「買 / 賣」的信號，而是模擬真實交易公司裡的角色分工：
- 分析師 Agent：負責基本面、技術面、新聞情緒分析
- 研究員 Agent：分看多、看空兩方，針對分析師的報告辯論
- 交易員 Agent：根據分析結果做出交易決策
- 風控 Agent：檢查倉位和風險指標，把評估交給投資組合經理
- 投資組合經理 Agent：核准或否決交易，核准的單送進模擬交易所
整個架構基於 LangGraph，Agent 之間有明確的通訊協議和決策流。
架構亮點
多代理架構最大的價值不是「更聰明」，是 可歸因。當一筆交易虧損，你可以精確追溯是分析出了問題、還是風控沒攔住。單一 LLM 黑箱做不到這件事。
實戰應用建議
別直接拿來實盤。但如果你在研究 multi-agent 系統設計，這個專案的 Agent 通訊協議和角色拆分方式非常值得參考。尤其是風控 Agent 的設計：怎麼讓 AI 系統自己踩煞車，是所有 AI 金融應用的核心課題。
2. ai-hedge-fund：多角色 AI 對沖基金
virattt/ai-hedge-fund | ⭐ 49.6K+
2026 年 9 月 26 日更正。 三月的版本把其中一個 agent 寫成索羅斯、框架寫成 CrewAI，風控 agent 也寫成做最終決策。當時的 README 列的是德魯肯米勒，沒有索羅斯；框架是 LangChain 加 LangGraph；最終交易決策由投資組合經理 agent 做。下面已依當時的 README 改正。
一句話： 三月時這份清單上星數最高的專案（小幅領先 TradingAgents），模擬巴菲特、德魯肯米勒等投資大師的決策風格。
近 5 萬星不是開玩笑的。這個專案爆紅的原因很直白：它讓你「召喚」不同投資大師的思維模式。當時的 README 列了 12 位投資人 agent，加上估值、情緒、基本面、技術面 4 個分析 agent，例如：
- Warren Buffett Agent：價值投資邏輯，看財報、護城河
- Stanley Druckenmiller Agent：總經派，專找不對稱的機會
- 技術分析 Agent：純圖表派，看技術指標產生交易信號
- 風險管理 Agent：計算風險指標、設定部位上限
- 投資組合經理 Agent：做最終交易決策、產生委託單（系統實際上不會送出任何單）
架構用 Python，模型呼叫走 LangChain，資料來自 Financial Datasets API，每個 Agent 有獨立的 Prompt。
架構亮點
「角色扮演」聽起來很花，但背後邏輯是嚴肅的：不同投資哲學本質上是不同的特徵提取方式。 巴菲特看 ROE、自由現金流；德魯肯米勒看總經趨勢，找風險小、上檔大的不對稱機會。把這些拆成獨立 Agent，等於是用 LLM 做 ensemble learning，只是 feature engineering 的方式從數學變成了自然語言。
實戰應用建議
這個專案最大的價值是教育用途。如果你是財務顧問或投資人，拿它來理解「不同投資框架會怎麼看同一檔標的」非常有幫助。但要注意：模擬結果不等於真實績效，LLM 的「角色扮演」和真正理解投資理論之間還有巨大的鴻溝。
3. NoFx：自動化 AI 交易助理
NoFxAiOS/nofx | ⭐ 11.2K+
2026 年 9 月 26 日更正。 三月的版本寫 NoFx 有「雙模式」：安全模式下 AI 只能建議、所有交易要人類確認，還內建回測引擎。NoFx 的 README 三月沒有這樣寫，現在也沒有，所以這一節依現行 README 重寫。
一句話： 由語言模型當策略、用 Go 寫的執行層把風控上限寫死在程式裡的開源交易終端。
NoFx 的 README 一開頭講的不是績效，是風控：模型負責提案，執行層負責把關。每個交易員（trader）跑一個循環：讀盤、決策、下單、記錄推理，而每一筆單都要先通過模型碰不到的上限。
架構亮點
- 部位上限：同時持倉數有上限、名目金額按權益比例封頂、每個標的只開一個部位
- 槓桿夾限：計算下單部位時直接套硬上限，不管模型要多少槓桿
- 交易所端停損停利：每次進場後立刻在交易所掛好停損與停利
- 回吐自動平倉：獲利部位從高點回吐太多就平倉
- 交易節流：最短持有時間、同標的重新進場冷卻、每輪與每小時的進場次數上限
- 安全模式：模型反覆失敗時擋掉新的進場，直到模型恢復正常
用 Go 寫，支援九家交易所（Binance、Bybit、OKX、Hyperliquid、Bitget、KuCoin、Gate、Aster、Lighter），每個決策都連同模型的完整推理存下來。它是拿真錢上場的工具：引導式的 Autopilot 流程分四步（入金、連接、存入、啟動），啟動前伺服器端會先檢查模型存取、錢包資金、策略和交易所餘額。README 沒有提到模擬交易模式。
實戰應用建議
值得學的是安全閥放在哪裡：放在模型碰不到的程式碼裡，而不是寫在提示詞裡。就算不用這個專案本身，「模型提案、程式把關」這個分工也值得搬到任何自動決策系統。如果真的要跑，記得它會拿真錢下單；README 自己也說 AI 策略是實驗性的、可能虧錢，不要拿賠不起的錢交易。
4. prediction-market-analysis：預測市場資料集
Jon-Becker/prediction-market-analysis | ⭐ 2.3K+
一句話： 36GB 的預測市場歷史資料，涵蓋 Polymarket 與 Kalshi 兩個平台。
不是工具，不是框架，是 資料。
36GB 的結構化資料集，包含：
- 預測市場的歷史合約和價格
- 市場結算結果（對 / 錯）
- 價格變動時序資料
- 市場元資料（類別、到期日、流動性）
架構亮點
預測市場是 AI 金融研究的金礦，因為它有兩個其他金融資料沒有的特性：
- 明確的真值標籤：每個合約最後都有確定的 Yes/No 結果，天然的 supervised learning 資料
- 機率定價：價格直接反映群眾對事件機率的估計，不需要另外做情緒分析
這意味著你可以直接拿來訓練「事件預測模型」，而且有非常乾淨的 ground truth。
實戰應用建議
如果你在做 AI 預測模型的研究，這個資料集省你幾個月的爬蟲時間。幾個方向：預測市場定價效率分析、事件驅動交易策略、或是訓練一個專門判斷「群眾是否高估/低估某事件機率」的模型。學術研究或 Kaggle 競賽都很適合。
5. PMXT：預測市場版 CCXT
pmxt-dev/pmxt | ⭐ 1.2K+
一句話： 統一 API 串接所有主流預測市場，就像 CCXT 對加密貨幣交易所做的事。
如果你用過加密貨幣交易，你一定知道 CCXT：一個 library 串接 100+ 家交易所。PMXT 要對預測市場做同樣的事。
目前支援的平台包括 Polymarket、Kalshi 等，提供統一的介面來：
- 查詢市場列表和價格
- 下單 / 撤單
- 取得帳戶餘額和持倉
- 訂閱即時價格推送
架構亮點
預測市場的碎片化比加密貨幣交易所更嚴重，每家平台的 API 格式、合約結構、結算邏輯都不一樣。PMXT 做的抽象層很有價值：把不同平台的差異封裝掉，讓你的策略邏輯只寫一次就能跑在所有平台上。
實戰應用建議
如果你想做預測市場的套利（不同平台對同一事件的定價差異）或是跨平台的流動性聚合，PMXT 是基礎設施等級的工具。配合上面第 4 個專案的歷史資料，你可以建一套完整的預測市場研究 + 交易系統。
該怎麼選？
| 你的需求 | 推薦專案 |
|---|---|
| 研究 multi-agent 架構 | TradingAgents |
| 理解不同投資框架 | ai-hedge-fund |
| 真的想上場交易 | NoFx（會拿真錢下單，先讀懂風控上限） |
| 訓練 AI 預測模型 | prediction-market-analysis |
| 串接預測市場 API | PMXT |
一個提醒：這 5 個專案沒有任何一個能直接幫你賺錢。 開源專案的價值在於學習架構思維和快速驗證想法，不是拿來直接跑實盤。真正的 alpha 永遠在你自己的數據處理和策略設計裡。
給財務顧問的話
AI 正在改變金融業的每一個環節，從投資分析到客戶溝通。如果你是財務顧問，你不需要自己寫交易機器人，但你需要理解 AI 能做什麼、不能做什麼。
如果你想用 AI 強化你的提案能力、做出讓客戶秒懂的視覺化報告 → ultra-advisor.tw
Ultra Advisor 是我們專門為台灣財務顧問打造的 AI 工具平台，18 種視覺化工具，讓你的專業被看見。
#AI金融 #開源 #GitHub #UltraAdvisor
常見問題
GitHub 上的 AI hedge fund 專案是什麼？
指的是 virattt/ai-hedge-fund，MIT 授權的 Python 概念驗證專案：由扮演不同投資人的 AI agent，替你設定的基金（選股、策略、再平衡頻率）做交易決策，也能回測。2026 年 9 月 26 日有 63,752 星。安裝指令是 pipx install aihf，需要一組 Financial Datasets API 金鑰，加上一組模型供應商的金鑰。
ai-hedge-fund 能拿真錢交易嗎？
不行。它的 README 寫明只供教育與研究用途，系統實際上不會下任何單。TradingAgents 也定位為研究框架，不構成財務或交易建議。如果你要的是真的會下單的專案，NoFx 可以：支援九家交易所，用 Go 寫的執行層把部位、槓桿、停損上限寫死在程式裡，模型改不了；但它的 README 也警告 AI 策略是實驗性的，可能虧錢。
這 9 個 AI 金融專案，哪個 GitHub 星數最多？
TradingAgents，2026 年 9 月 26 日有 108,676 星，其次是 ai-hedge-fund（63,752）和 Vibe-Trading（34,055）。數字都來自當天的 GitHub API。