LangAlpha

Die Harness für agentisches Trading.

Open-Source-KI-Agenten, die den Markt recherchieren, die These aufbauen
und in deinem eigenen Brokerage-Konto innerhalb der von dir gesetzten Berechtigungen handeln.

LangAlpha ausprobieren ↗ · Erste Schritte · Agentisches Trading · Harness-Design · Full-Stack-Architektur · Sicherheit
Englisch · 简体中文 · 日本語

Der demo-cbrs-Workspace: links der Agent, der das CBRS-Kurs abfragt, Filings abruft und zwei Analysten laufen lässt, rechts das aus dieser Recherche erstellte CBRS-Dashboard, geöffnet auf dem Kurs seit dem IPO mit seinen Ereignismarkern sowie der Notiz und den Quellen eines ausgewählten Ereignisses

Warum LangAlpha

Die meisten KI-Finanzwerkzeuge beantworten Fragen. Wir glauben, dass Investmentrecherche bayesianisch ist: Du schreibst eine These und das, was sie widerlegen würde, nieder, und jeder Quartalsbericht, jedes Filing und jede Kursbewegung erhöht oder senkt deine Überzeugung – und damit deine Position. Dieser Kreislauf läuft über Wochen oder Monate, und kein einzelner Prompt fängt ihn ein.

Coding-Agenten wurden gut, sobald sie eine für Code gebaute Harness hatten: eine Codebasis, die bestehen bleibt, in der jeder Commit auf dem letzten aufbaut, plus die Werkzeuge, das Gedächtnis und die Laufzeitumgebung rund um das Modell. LangAlpha bringt diese Harness an die Märkte – vom Vibe Coding zum Vibe Investing. Es funktioniert mit jedem Modell, sodass jedes bessere Modell es besser macht. Zwei Überzeugungen prägen es:

Ein Trade ist ein Kreislauf, kein Tool-Aufruf. Die These lebt in einem Workspace, und Recherche, Positionsgröße, die Order und die anschließende Beobachtung speisen jeweils neue Erkenntnisse zurück in sie ein.
Autonomie braucht eine Grenze, die du setzt. Agenten handeln innerhalb der Berechtigungen, die du erteilst, und jede Order nimmt einen einzigen geregelten Weg.

Ein Trade ist ein Kreislauf: Eine Ahnung führt zu Recherche und einer im Workspace festgehaltenen These, dann zu Positionsgröße und Risiko, einer Order und einer Beobachtung, und die Beobachtung speist neue Erkenntnisse zurück in die These und verändert ihre Überzeugung

Funktionshighlights

Die meisten dieser Beispiele stammen aus einem Workspace zu Cerebras (CBRS). Sieh es in Aktion mit dieser geteilten Unterhaltung, von der ersten Frage bis zum an Slack gesendeten Initiation Report.

🔎 Recherche mit einem Team von Agenten

Stelle eine Frage, und LangAlpha verteilt sie auf parallele Analysten, die Filings lesen, Kurse, Options- und Makrodaten abrufen und die Zahlen im Code berechnen. Sende jederzeit eine Nachfrage, um sie mitten im Lauf umzulenken. Bei CBRS endete der Lauf in einem HTML-Primer darüber, was Cerebras verkauft, wie schnell es wächst und wer dafür bezahlt.

Eine CBRS-Frage, aufgefächert an vier Subagenten, im Seitenleisten-Menü unter dem Lead-Agenten aufgeführt, neben dem Abschnitt des Primers darüber, wer Cerebras bezahlt
_{Subagenten: Vier Analysten bearbeiten die Frage unter dem Lead-Agenten, jede Karte zählt ihre Tools und Tokens, und ein /html-report verwandelt ihre Erkenntnisse in den Primer rechts}

🗂️ Jede Idee in einem Workspace behalten

Ein Workspace pro These, Sektor oder Portfolio. Dateien, Chats und die eigenen Notizen des Agenten sind morgen noch da, sodass jede Sitzung auf der letzten aufbaut, statt von vorn zu beginnen.

„Baue mir ein interaktives Dashboard zu CBRS aus dem, was wir in diesem Workspace bisher gefunden haben: der Kurs mit den wichtigsten Ereignissen, Umsatzwachstum, Kundenkonzentration und wie viel von OpenAI abhängt. Ich möchte darin herumklicken können."

Ein neuer Thread baut es aus der Recherche und den Dateien, die frühere Threads im Workspace hinterlassen haben: ein Live-Dashboard zum Ausprobieren.

Der Workspace demo-cbrs mitten in der Recherche: Der Agent lädt die Skills xlsx und dcf-model und führt Code für Marktinputs aus, daneben revenue_history.json, geöffnet aus dem data-Ordner der overview-Aufgabe in einem Dateibaum mit einem Ordner pro Aufgabe

_{Workspace-Dateien: Massendaten landen in Dateien, nicht im Kontext des Agenten. Kurse, Einreichungen und Modellinputs füllen den data/-Ordner jeder Aufgabe im Dateibaum}

Der Dashboard-Thread: die Build-Anfrage und ein Follow-up, das die Ereignisdateien eines anderen Threads zusammenführt, daneben das Live-CBRS-Dashboard dazu, wie viel von OpenAI abhängt, mit seinem Exposure-Ledger und dem Backlog-Stresstest

_{Laufende Apps: Der Agent baut interaktive Dashboards. Klicke auf einen Balken, Marker oder eine Zeile, um die Quelle zu sehen, ziehe den OpenAI-Backlog-Stresstest oder @-erwähne die Dateien eines anderen Threads, um sie zusammenzuführen}

⏰ Agenten, die Wache halten

Plane ein Briefing vor der Börseneröffnung oder wecke einen Agenten, wenn eine Aktie einen Kurs überschreitet oder sich an einem Tag um einen festgelegten Prozentsatz bewegt. Ergebnisse landen in einem Feed und, wenn du sie verbindest und für die Zustellung auswählst, auch in Slack, Discord, Telegram, Feishu oder iMessage.

„Halte für mich Wache bei CBRS. Prüfe jeden Montag die Annahmen des Modells, aktualisiere es nach den Q3-Ergebnissen und sag mir Bescheid, wenn die Aktie über unseren Bull-Wert steigt oder unter 95 $ fällt."