散戶現在能用的 AI 投資系統：7 個 GitHub Repo 組成的四層架構

一個投資決策從來不是一個問題，而是四個問題：市場接下來怎麼走？這支股票值不值得買？我應該怎麼建倉？這套策略能撐多久？

大多數散戶用的工具只能回答其中一個，剩下三個靠直覺。

這篇介紹的七個 GitHub repo，剛好把這四個問題拆開來各自解決，再串成一套完整系統——不需要金融背景，不需要懂程式，今天就能裝起來跑。

系統架構：四層拆解一個投資決策

先看全貌，再看細節。

每一層的邏輯很直接：

• 第一層（數據與預測）：先搞清楚市場大方向，預測走勢和壓力情境
• 第二層（研究與分析）：針對具體標的做深度研究，多角度評估
• 第三層（策略與執行）：把研究結論轉成可以跑的交易策略，驗證可行性
• 第四層（自動化與整合）：讓整套系統自己運作，不用每天手動觸發

一個完整決策的資訊流長這樣：

第一層：數據與預測

預測不是為了算準，而是為了知道自己在承擔多少不確定性。

在做任何研究之前，你需要先建立一個「市場基準線」：現在的大環境對你想投資的標的是順風還是逆風？如果出現意外衝擊，損失大概是多少量級？

這一層有兩個工具，分別負責正常情境和極端情境。

TimesFM：Google 的時序預測模型，現在開源了

GitHub： google-research/timesfm

19,500 stars

TimesFM 是 Google Research 訓練的時序預測基礎模型，2 億個參數，最新 2.5 版支援 16,000 個時間點的 context length。

講白話：你把一支股票過去幾年的收盤價丟進去，它給你未來一段時間的走勢預測，同時附上信心區間——預測值是 150 元，但 80% 的可能性落在 135 到 165 之間。這個區間比點預測本身更重要，它告訴你這支股票現在有多難預測。

最有用的功能是 XReg（外部變數迴歸）：可以把 Fed 利率、特定產業指數、甚至匯率一起納入預測，讓模型考慮總體環境，而不只是看技術面。

已經整合進 Google BigQuery ML，如果你的數據在 GCP，直接 SQL 就能呼叫這個模型。

MiroFish：用千個 AI agent 演練黑天鵝

GitHub： 666ghj/MiroFish

TimesFM 預測的是「正常情況下」的走勢，MiroFish 處理的是「萬一發生意外」的情況。

它同時跑幾千個 autonomous agent，每個 agent 扮演不同類型的市場參與者——散戶、法人、高頻交易、投機者。你設定一個衝擊事件，比如「Fed 緊急升息 3 碼」或「某個主要出口市場突然加徵關稅」，看這個衝擊怎麼在模擬市場裡傳播，最終影響你的持倉多少。

這不是算出一個精確數字，而是讓你在真正的黑天鵝發生之前，對損失的量級有直覺。

第二層：研究與分析

第一層給了你市場大方向，第二層要回答更具體的問題：這支股票的基本面怎麼樣？市場對它的看法是什麼？現在的價格合理嗎？

TradingAgents：讓 AI 組成一個分析師團隊幫你開會

GitHub： TauricResearch/TradingAgents

這個 repo 模擬的是真實交易公司的內部決策流程。

它同時跑四個專業角色：

• 基本面分析師：看財報、估值、成長性、競爭護城河
• 技術分析師：看 K 線形態、均線系統、動能指標
• 情緒分析師：爬新聞、社群媒體、法說會逐字稿，量化市場情緒
• 總經分析師：看利率環境、通膨數據、產業週期位置

這四個 agent 分析完之後不是直接輸出結論，而是先進入辯論環節：系統會強制設置一個多頭研究員和一個空頭研究員，對同一支股票提出完全相反的論點，互相反駁。

為什麼要辯論？因為人類分析師最常見的錯誤是確認偏誤——先有結論再找支持理由。強制辯論讓系統必須認真對待反面證據。

最後由 Trader agent 綜合所有意見，給出「買 / 觀望 / 賣」的建議，並且附上每個理由的權重。

支援 OpenAI、Claude、Gemini、DeepSeek，想省 API 費的話可以接 Ollama 跑本地模型。

Anthropic financial-services：直接連上機構級數據源

GitHub： anthropics/financial-services

TradingAgents 負責分析邏輯，這個 repo 負責數據品質。

Anthropic 官方出的這個套件，包含 8 個現成的金融 agent：

• Earnings Reviewer：自動解析財報電話會議，摘要管理層說了什麼、市場反應如何
• Market Researcher：爬市場數據、整理競爭格局
• Model Builder：協助建 DCF 或相對估值模型
• KYC Screener / Statement Auditor：如果你做的是私募或盡職調查，這兩個直接能用

這些 agent 直接整合 Morningstar、FactSet、S&P Global、PitchBook 等機構級數據源。一般散戶拿不到這些數據，但如果你的公司或券商有訂閱，這個 repo 就是把這些數據接進 AI workflow 的最快方式。

整個配置用 Markdown 和 JSON 寫，不需要寫程式，改完設定馬上生效。

第三層：策略與執行

研究做完了，接下來要把結論轉成「我實際要怎麼操作」。這一層只有一個主角，但它做的事情非常完整。

Vibe-Trading：說中文就能生成交易策略

GitHub： HKUDS/Vibe-Trading

6,000 stars（香港大學出品）

這個是這七個工具裡散戶最容易直接上手的。

你用中文或英文描述一個想法，比如：

「找出過去四季 ROE 持續成長、本益比低於 20、近三個月外資持續買超的台股，每月第一個交易日買進，持有一個月後賣出」

Vibe-Trading 會把這段話轉成可執行的策略代碼，直接跑歷史回測，然後給你一份績效報告：年化報酬、最大回撤、夏普比率、勝率。

它有 74 個預建金融技能，分成基本面、技術面、情緒面、組合優化等 8 大類。數據源直接整合 A 股（Tushare）、港股、美股（yfinance）、加密貨幣（100 個以上交易所），還支援 15 種以上績效指標和 4 種組合優化演算法（MVO、風險平價、最大分散化等）。

策略回測完之後可以直接匯出 TradingView Pine Script v6，拿去 TradingView 上掛著跑實單。

支援 MCP 協定，可以直接插進 Claude Desktop 或 Cursor 用。

第四層：自動化與整合

前三層如果要手動觸發，你還是得每天盯著。第四層解決的是「讓整套系統自己跑」的問題。

autoresearch：Karpathy 的自主迭代 Loop

GitHub： karpathy/autoresearch

79,800 stars

這個 repo 原本是讓 AI 自己做語言模型訓練實驗的——每 5 分鐘一個週期，自動改 code、自動評估、自動保留好結果，不需要人干預。

直接用它投資有點遠，但這個迭代結構值得借用：

整個系統只有 3 個核心檔案，結構非常清晰，改造成投資用途的難度不高。

Paperclip：把前面六個都串起來

GitHub： paperclipai/paperclip

63,600 stars

這是整個系統的「膠水層」。

Paperclip 是一個 agent 協作框架，讓你定義每個工具的角色、執行順序、預算上限，然後統一排程。實際用法可能長這樣：

• 每天早上 8:30：TimesFM 更新市場預測，MiroFish 跑昨晚的情境模擬
• 每天早上 9:00：TradingAgents 對你的觀察名單跑分析，financial-services 拉最新財報摘要
• 每週五收盤後：Vibe-Trading 重新回測本週策略，autoresearch 根據績效調整參數
• 任何時候：超過設定閾值的異常信號自動通知你

支援 Claude Code、Codex、Cursor、HTTP bot，任何能用 CLI 或 HTTP 操作的工具都可以掛進來。還有 board-level 審核流程——在 agent 真正執行交易動作之前，必須經過你的確認。

怎麼開始？

不需要一次把七個工具都裝起來。建議的順序：

1. 先裝 Vibe-Trading（pip install vibe-trading-ai）：最快能看到結果，不需要其他工具也能跑
2. 加上 TradingAgents：讓 AI 幫你做多角度分析，強化研究品質
3. 加上 TimesFM：建立市場預測基準線，給研究加一層宏觀視角
4. 最後用 Paperclip 串接：等你對每個工具熟悉之後，再考慮自動化整合

不用 AI，才是真正的風險。

別人已經在用這套系統分析財報、跑策略回測、模擬黑天鵝，而你還在手動看 K 線——這個差距每天都在拉大。

你的投資系統，還差哪一層？