用LangGraph打造开源AI对冲基金引擎：7人投研团队与TimesFM预测

把LLM关进笼子：一个开源量化引擎的架构思路

Reddit上一位开发者开源了 Lumina Capital（v6.0.0）——一个自主多智能体量化对冲基金引擎。它的核心主张相当鲜明：市面大多数"LLM炒股"项目把原始K线图直接喂给大模型，结果就是幻觉和延迟；而Lumina的做法是把概率推理和确定性量化计算严格分层，让LLM只负责它擅长的部分。

这个边界划分是该项目的关键设计决策。LLM不做数值计算，只做叙事判断和辩论；一切需要精度的环节交给传统量化工具。

七人投研委员会：用角色对抗消解大模型的"顺从性"

Lumina的第一层是运行在 LangGraph 上的7-Persona反谄媚委员会。七个角色分别对应巴菲特、索罗斯、伯里、木头姐、格雷厄姆、欧奈尔和CIS（日本知名短线交易者）七种截然不同的投资哲学。

关键设计有三点：

• 并行独立分析：七位"分析师"各自出结论，避免相互污染；
• 牛熊交叉辩论：在独立分析之后进入对抗式辩论环节，多空双方正面交锋；
• CRO一票否决权：一位专门的风控官（CRO）对尾部风险拥有绝对否决权，可以直接推翻整个委员会的建议。

这套机制针对的是LLM的已知弱点：单一提示下的模型倾向于附和用户立场、回避冲突。通过角色对立和否决权，系统被迫产生真正的分歧。

LangGraph 是 LangChain 团队推出的用于构建有状态、多智能体应用的编排框架。它的核心抽象是「图」：节点代表一个处理步骤（例如调用一次 LLM、执行一次工具），边代表步骤之间的流转条件，并支持循环、分支和中断。

相比早期用链式调用（Chain）串起 LLM 的方式，LangGraph 的图结构更适合本项目的场景——七个角色的并行分析、相互辩论、以及 CRO 否决权的介入，本质上是一张带有条件跳转和状态共享的有向图。每个智能体读写同一份共享状态（State），从而无需重复传递上下文。它也支持持久化检查点，使得长流程可以暂停、恢复和人工介入，这对需要审计的投研流程尤为重要。

量化内核：Qlib Alpha158 + LightGBM

第二层是纯Python实现的 Qlib Alpha158 因子库。微软Qlib的Alpha158是量化圈广泛引用的因子集合，Lumina将其完整向量化重写，并叠加LightGBM作为元决策过滤器。

这一层的角色是提供"硬数据"——158个因子构成的特征空间被树模型压缩成可执行的信号，再由LLM层做定性解释。向量化实现意味着它不依赖Qlib官方框架，部署门槛更低，代价是需要自行维护因子逻辑的正确性。

Alpha158 是微软 Qlib 内置的一套经典选股因子集合，包含约 158 个从行情数据中提取的特征，大致分为 K 线形态类（如开盘与收盘的相对位置、上下影线比例）、价格动量与均线类（不同周期的收益率、移动平均偏离度）、波动率类（滚动标准差、真实波幅），以及成交量类（量比、量价相关性）。它的意义在于为机器学习模型提供一个标准化、可复现的特征工程基线。

LightGBM 是微软提出的梯度提升决策树（GBDT）实现，以直方图算法和叶子优先生长策略著称，训练快、内存占用低，在结构化特征上表现稳定。把 Alpha158 产出的上百维时序特征交给 LightGBM，本质是让树模型学习「哪些因子的组合在什么条件下预示收益」，再做非线性压缩输出信号。相比深度序列模型，GBDT 对样本量和特征噪声的容忍度更高，也更易解释特征重要性，这也是它在量化选股中长期作为基线的原因。

TimesFM预测与10秒哨兵：从概率扇形图到物理止损

Google的 TimesFM 负责时间序列预测，输出5天的概率扇形图，附带80%置信区间和崩盘概率估计。它的价值不在于"预测准不准"，而在于给决策层一个带不确定性的分布视角，而不是一个孤零零的点估计。

与之互补的是一个10秒级高速哨兵线程：后台持续监控动态 ATR止损线，触发时立即执行物理退出，完全不等LLM的推理循环。这是对LLM延迟问题的直接工程回应——风控不能排队等待模型思考。

TimesFM 是 Google Research 发布的时序基础模型，采用类似大语言模型的「解码器 + 分块 patch」思路：把连续数值序列切成片段并向量化，再用预训练-零样本推理的方式直接输出未来若干步的预测。它最大的特点是无需针对目标序列重新训练即可做预测，因此适合像金融行情这样噪声高、分布漂移快的场景。

它输出的是分位数预测（quantile forecast），而非单点值，这正是「概率扇形图」的来源——不同分位数对应不同置信水平，例如 80% 区间表示未来价格落入该范围的估计概率约八成。崩盘概率通常由落在极端下跌区间以下的分位数累积推算。ATR（平均真实波幅）则是 Wilder 提出的波动率指标，取真实波幅的移动平均，常被用来设定与当前波动水平自适应的止损距离：波动放大时止损放宽，波动收敛时收紧，从而避免固定点数止损在震荡中被频繁触发。

GraphRAG与知识图谱：给智能体装上记忆

系统还接入了 Neo4j 驱动的3D因果知识图谱与 GraphRAG，用于两方面：一是实时监控供应链卡点，二是为智能体提供情景记忆。加上一个完整的 Streamlit 可视化工作台，研究者可以直接观察多智能体讨论的中间过程。

项目采用 CC BY-NC 4.0 协议开放，定位是研究、教育和模拟用途。需要注意的是，作者明确将其界定为模拟工具，而非可直接接入实盘的交易系统——从LLM辩论到真实下单之间，还隔着回测验证、滑点建模、合规审查等大量工程与制度环节。

GraphRAG 是对传统 RAG（检索增强生成）的改进：传统 RAG 把文档切成片段后按向量相似度检索，只能取回「局部」信息，难以回答需要跨文档串联的全局性问题。GraphRAG 先用 LLM 从文本中抽取实体与关系，构建知识图谱，再对图做社区发现和摘要，使检索可以同时沿「实体关系」和「社区主题」两条路径进行。

Neo4j 是主流的原生图数据库，以节点、关系、属性为数据模型，使用 Cypher 查询语言遍历多跳关系，天然适合存储供应链上下游、股权关联这类网状结构。「3D 因果知识图谱」指在图上额外标注方向性因果边（而非单纯的共现关系），让智能体在推理时能区分相关与因果；「情景记忆」则借自认知科学，指智能体把过去的具体事件与结论存入图结构，在遇到相似情境时调取，而不只是依赖参数化的静态知识。

这个架构值得关注的三件事

第一，多智能体架构的分工范式正在从"让LLM做一切"转向"LLM做判断、传统工具做计算"，Lumina是这个方向上一个相对完整的设计样本。

第二，对立角色+否决权是对抗LLM谄媚倾向的一种可复用思路，不限于金融场景，任何需要多视角决策的Agent系统都可以借鉴。

第三，分层风控（LLM层推理 + 哨兵层物理执行）说明了一个现实：涉及资金安全的自主系统，关键动作必须绕开概率模型，走确定性路径。

完整代码在 GitHub 上以 lumina-ai-hedge-fund 为名开源，作者欢迎 issue 和反馈。