Swarm Trader 是基于 AI Hedge Fund 扩展的多智能体 AI 交易系统，强调双模式交易、多个投资风格智能体、免费数据源和 Alpaca paper trading 执行。它使用 SEC EDGAR 和 yfinance 作为免费数据层，并引入代码强制的风险管理层，避免智能体绕过硬性风控规则。

这个项目值得收录，是因为它把“智能体分析”和“交易执行风险”放到同一系统里。很多金融 agent 演示只停留在生成报告或建议，而 Swarm Trader 进一步考虑仓位限制、止损、熔断、交易模式、绩效快照和经纪商纸面交易接口。

对银行从业者来说，它的价值不在于交易，而在于“模型建议必须被规则层约束”。无论是授信额度、交易拦截、营销推荐还是投顾建议，AI 输出都不能直接进入动作层，必须有硬规则、权限、阈值和人工确认。

• 项目方向是：多智能体交易系统 / 免费数据源 / 风控执行，核心学习问题是：如何把 LLM 投研智能体、SEC/yfinance 数据和代码强制风控连接起来。
• 能帮助理解金融场景中数据、模型、检索、推理、智能体、知识图谱或评测之间的衔接方式。
• 适合用公开数据做原型学习，再思考如何迁移到银行内部制度、产品、客户、风控或运营场景。
• 项目地址：https://github.com/zhound420/swarm-trader。 ↗
• 开源协议标注为：未明确标注；若协议未明确，建议仅作学习研究参考。

重点学习代码强制风控层。LLM 可以提出建议，但不能覆盖硬编码风控，例如最大仓位、亏损限制、交易模式和熔断条件。

还可以学习免费数据源如何支持可复现实验：SEC EDGAR、yfinance 和 paper trading 能降低学习门槛，但数据质量和接口稳定性也要评估。

• 智能体建议 + 硬性规则的架构学习。
• 投研报告、风控规则和执行动作分层设计。
• 纸面交易环境中的 AI 决策留痕实验。
• 银行营销、授信或反欺诈动作前的规则闸门参考。
• 多提供方 LLM 接入和模型替换实验。

项目涉及交易执行接口，即使是 paper trading，也容易让学习者低估真实市场风险。免费数据源存在延迟、缺失和授权限制；项目协议也需要进一步核对。真实业务不能让 LLM 自动执行高风险金融动作。