Top 10 AI-Trading Repos 2026: TradingAgents, Qlib und die neue Generation

Die Schnittmenge von Large Language Models und quantitativem Trading hat in den letzten 18 Monaten eine neue Welle von Open-Source-Frameworks hervorgebracht. Was 2024 als experimentelle Spielereien begann, ist 2026 zu produktionsreifen Architekturen gereift — mit tausenden aktiven Stars, echten Community-Beiträgen und Integrationen, die den Sprung von der Forschung in die Praxis schaffen.

Diese Zusammenstellung sortiert die zehn relevantesten Repositories nach GitHub-Sternen und bewertet sie nach Architektur, Praxisreife und Anwendungsfall.

1. TradingAgents (+3,822 ★)

Multi-Agent LLM Trading Framework für Financial Research & Execution

TradingAgents ist das schwergewichtige Framework der Liste — und gleichzeitig das ambitionierteste. Es kombiniert Analyst-Agents, Sentiment-Modelle, Portfolio-Reasoning und Exchange-Integrationen in einer durchdachten Stack-Architektur. Das Besondere: Jede Schicht ist modular austauschbar. Man kann ein eigenes Sentiment-Modell einsetzen, einen anderen Broker-Backend anhängen oder die Research-Pipeline komplett neu aufsetzen, ohne den Rest der Architektur anzufassen.

Der typische TradingAgents-Workflow: Ein Research-Agent sammelt fundamentale Daten, ein Sentiment-Agent wertet Nachrichten und Social Media aus, ein Risk-Agent prüft Portfoliogrenzen — und ein Execution-Agent gibt die Orders an die integrierten Broker-APIs weiter. Das Ganze läuft asynchron und ist auf Persistenz über mehrere Handelstage ausgelegt.

Für wen es taugt: Teams mit eigener Broker-Infrastruktur, die ein fertiges Multi-Agent-Rahmenwerk suchen, das Research und Execution in einem System vereint.

2. AI-Trader (+2,434 ★)

Agent-Native Automated Trading System

AI-Trader macht dort weiter, wo TradingAgents aufhört — mit einem stärkeren Fokus auf autonome End-to-End-Entscheidungen ohne menschliches Entry-Point-Veto. Das System ist von Grund auf als Agent-first Architecture konzipiert: Price Fetching, Decision-Making, Execution und Monitoring sind jeweils spezialisierte Agent-Komponenten, die über ein internes Messaging-Protokoll kommunizieren.

Die Stärke von AI-Trader liegt in der Kompromisslosigkeit des Agent-Konzepts. Es gibt keinen menschlichen Gatekeeper zwischen Decision und Execution — was das System schneller macht, aber auch mehr Vertrauen in die Validierungsschicht fordert. Für einfache algorithmische Strategien (Mean Reversion, Momentum auf Minuten-Bars) ist das System schnell einsatzbereit.

Für wen es taugt: Entwickler, die reine Agent-Autonomie bevorzugen und die Risikokontrolle selbst in der Validierungsschicht implementieren wollen.

3. scientific-agent-skills (+2,286 ★)

Plug-and-Play Agent Skills für Finance, Research, Science & Engineering

Anders als die reinen Trading-Frameworks ist scientific-agent-skills ein Skill-Baukasten, der über die Finanzwelt hinausgeht. Das Repository bietet spezialisierte Agent-Capabilities für Web-Research, Bioinformatics, Cheminformatics und analyse-Pipelines — und integriert sich mit mehreren Agent-Frameworks gleichzeitig (LangChain, CrewAI, AutoGPT).

Für den Trading-Kontext relevant sind vor allem die Finance-spezifischen Skills: Sentiment-Analysis-Pipelines, Altman-Z-Score-Berechnung, SEC-Filings-Parser und Makro-Daten-Aggregatoren. Das macht das Repository zu einer starken Ergänzung für jedes der anderen Frameworks in dieser Liste — man pickt sich die brauchbaren Skills heraus und integriert sie in den eigenen Stack.

Für wen es taugt: Wer einen modularen Skill-Baukasten sucht, statt eines monolithischen Frameworks — und Flexibilität über Vollständigkeit stellt.

4. daily_stock_analysis (+1,272 ★)

LLM-Powered Stock Analysis für US, Hong Kong und Chinese Equities

daily_stock_analysis ist der pragmatischste Einstieg in die Liste — und wahrscheinlich das Framework mit dem schnellsten Time-to-Value. Es kombiniert Marktendaten, Echtzeit-Nachrichten, AI-Dashboards und automatisierte Berichte in einer Pipeline, die mit minimaler Konfiguration läuft.

Das Alleinstellungsmerkmal ist die Multi-Market-Abdeckung: US-, Hong Kong- und chinesische Aktien in einem System. Für jemanden, der sich ernsthaft mit chinesischen Equities beschäftigt, ist das relevant — die chinesischen Märkte haben eigene Daten-APIs, Nachrichtenquellen und regulatorische Besonderheiten, die in den meisten westlichen Frameworks fehlen.

Für wen es taugt: Privatanleger und Family Offices, die ein einsatzbereites System mit breiter Marktabdeckung suchen — mit vertretbarem Konfigurationsaufwand.

5. QuantDinger (+1,242 ★)

AI Quantitative Trading für Crypto, Stocks und Forex

QuantDinger richtet sich an die Schnittstelle von Krypto und traditionellem Trading — und bietet dort eine seltene Kombination: Live-Trading-Integration neben Backtesting- und Market-Analytics-Tools in einem System. Die Broker-Integration umfasst die gängigen Plattformen (Binance, Interactive Brokers, Coinbase), was einen echten Übergang von Backtest zu Live-Trading erlaubt.

Das Differenzierungsmerkmal gegenüber den anderen Frameworks ist die explizite Unterstützung von Forex — ein Markt, den die meisten LLM-Trading-Frameworks komplett ignorieren, obwohl er der liquideste der Welt ist. Wer mit Währungsarbitrage oder Carry-Trades auf AI-Basis experimentieren will, kommt an QuantDinger kaum vorbei.

Für wen es taugt: Trader, die sowohl Krypto als auch Forex in ihre AI-Strategien einbeziehen wollen — und Wert auf eine kontinuierliche Backtest-Live-Trading-Pipeline legen.

6. Vibe-Trading (+1,148 ★)

Personal AI Trading Agent mit Backtesting

Vibe-Trading ist das Leichtgewicht der Liste — und bewusst so konzipiert. Es richtet sich an individuelle Trader, die mit Agent-Styles Portfolio-Management und Strategie-Experimentierung betreiben wollen, ohne einen kompletten Instituts-Stack aufzusetzen.

Die Architektur ist bewusst einfach gehalten: Ein Agent, der Marktbedingungen analysiert, eine Strategie vorschlägt und Execution-Aufträge generiert. Das Backtesting-Modul erlaubt schnelle Strategie-Iteration, ohne dass man eine Research-Pipeline aufbauen muss. Wer schon immer mal eine Momentum-Strategie auf AI-Basis gegen 3 Jahre Historie testen wollte, ist hier richtig.

Für wen es taugt: Privatanleger und Hobby-Trader, die Agent-Konzepte ausprobieren wollen, ohne sich in ein großes Framework einzuarbeiten.

7. FinceptTerminal (+878 ★)

Bloomberg-Style Finance Terminal mit AI-Power

FinceptTerminal ist das einzige Repository in dieser Liste, das primär als Interface konzipiert ist — und damit eine Lücke füllt, die viele der anderen Frameworks ignorieren: Die Traders-Workstation. Das Terminal bietet Markt-Analytics, Investment-Research-Tools, Trading-Funktionalität und AI-Assistenz in einer Bloomberg-artigen Oberfläche.

Das Interessante für Agentic-Architekturen: FinceptTerminal lässt sich als Frontend an die anderen Frameworks in dieser Liste andocken. Die Research-Pipeline von daily_stock_analysis, die Execution von AI-Trader, das Risikomanagement von TradingAgents — all das könnte in einem FinceptTerminal-Interface zusammengeführt werden. Das macht es zum idealen Präsentations-Layer für eigene Agentic-Trading-Systeme.

Für wen es taugt: Entwickler, die ein professionelles UI für ihre AI-Trading-Systeme suchen — oder den Bloomberg-Workflow auf Open-Source-Basis nachbauen wollen.

8. TradingAgents-CN (+739 ★)

Chinese-Adapted TradingAgents für chinesische Finanzmärkte

TradingAgents-CN ist der direkte Ableger von TradingAgents — adaptiert für chinesische Finanzmärkte, chinesische Datensätze und chinesische Workflows. Die chinesische Quant-Community ist massiv und hochaktiv — und nutzt andere Datenquellen (Tushare, JoinQuant, RiceQuant statt nur Bloomberg und Yahoo Finance), andere regulatorische Rahmenbedingungen und hat eigene Produktklassen (A-Shares, ChiNext, Star Market).

Für westliche Trader ist dieses Repository vor allem als Kontrast interessant: Es zeigt, wie verschiedene Marktstrukturen zu fundamental anderen Architektur-Entscheidungen führen. Die chinesische Version von TradingAgents hat deutlich stärkere Fixings-Handling-Features (Aktien öffnen mit garantierten Preisgrenzen), andere Risikomanagement-Module und eine andere Order-Routing-Logik.

Für wen es taugt: Wer in chinesische Märkte einsteigen will — oder verstehen will, wie sich AI-Trading-Architekturen an verschiedene Marktregulierungen anpassen.

9. last30days-skill (+694 ★)

AI Agent Skill für Trend-Research über Reddit, X, Hacker News, Polymarket

last30days-skill ist streng genommen kein Trading-Framework — sondern ein Research-Tool. Aber es gehört in diese Liste, weil es das missing link für sentiment-basierte Trading-Strategien darstellt. Das System überwacht Reddit, X (Twitter), YouTube, Hacker News und Polymarket auf Signale, die noch nicht in den Mainstream-Medien angekommen sind.

Der typische Use-Case: Eine Aktie taucht in den letzten 48 Stunden massiv in Subreddits und auf Polymarket auf — aber die klassischen Finanzmedien haben noch nicht berichtet. last30days-skill generiert einen strukturierten Alert, der als Input für eine der anderen Plattformen in dieser Liste dienen kann. Es ist das Sensorium für ein Agentic-Trading-System, das auf Early-Mover-Advantage setzt.

Für wen es taugt: Jedes Trading-System, das Sentiment-Analyse ernst nimmt und nicht nur auf die üblichen Nachrichtenquellen angewiesen sein will.

10. Qlib (+680 ★)

Microsofts AI-Oriented Quant Investment Platform

Qlib verdient seinen Platz auf dieser Liste nicht durch Neuheit — das Repository existiert seit 2020 — sondern durch Reife und Tiefe. Microsoft Researchs Qlib ist die umfassendste Open-Source-Plattform für den gesamten quantitativen Investment-Prozess: Von der Datenkollektion über Feature-Engineering und Alpha-Generation bis zu Portfolio-Konstruktion und Execution.

Was Qlib von den anderen Repositories unterscheidet, ist die Wissenschaftlichkeit der Implementierung. Jede Komponente ist mit Paper-Referenzen unterlegt, die Alpha-Faktoren sind empirisch validiert, und das Framework ist so konzipiert, dass man es als Forschungsplattform nutzen kann — nicht nur als Produktionssystem. Für das Machine-Learning-lastige Alpha-Engineering gibt es Integration mit PyTorch und LightGBM; für die Execution eine Anbindung an Alibaba Cloud und alternative Broker-Backends.

Wer sich ernsthaft mit AI-Quants beschäftigt, kommt an Qlib nicht vorbei — auch wenn die Lernkurve steiler ist als bei den anderen Frameworks.

Für wen es taugt: Quant-Entwickler und Forscher, die eine fundierte, wissenschaftlich validierte Plattform suchen — mit dem vollständigen Pipeline-Anspruch von Data bis Execution.

Fazit: Die Architektur-Landschaft 2026

Was sich in dieser Zusammenstellung zeigt, ist eine klare Differenzierung nach Reifegrad und Anwendungsfall:

Für den schnellen Einstieg: Vibe-Trading oder daily_stock_analysis — minimaler Konfigurationsaufwand, schnell einsatzbereit, mit vertretbarem Funktionsumfang.

Für den professionellen Stack: TradingAgents als Fundament, ergänzt durch last30days-skill für Sentiment-Research und FinceptTerminal als Interface-Layer. Das ist die Architektur, die einem kleinen quantitativen Team den größten Hebel gibt.

Für den Forscher: Qlib — das einzige Framework, das wissenschaftlichen Anspruch mit Produktionsreife verbindet und den gesamten quantitativen Prozess von Data bis Execution abdeckt.

Die Zeiten, in denen AI-Trading ein Spielplatz für Researcher war, sind vorbei. Die Repositories in dieser Liste sind produktionsreif, aktiv gepflegt und werden von echten Usern in echten Marktbedingungen betrieben. Wer jetzt einsteigt, findet eine Community vor, die weit über die ersten Experimentierphasen hinaus ist.