AQuA: Nowatorski system AI do autonomicznego odkrywania czynników i rozwoju modeli w finansach ilościowych

Naukowcy z Princeton University, Ant Group i Stanford University opracowali AQuA – innowacyjny system badawczy oparty na modelach językowych, który ma na celu autonomiczne ulepszanie procesów badawczych w finansach ilościowych. AQuA składa się z dwóch niezależnych części, z których każda koncentruje się na innym aspekcie analizy finansowej, jednocześnie eliminując typowe problemy związane z nadmiernym dopasowaniem i błędami metodologicznymi w badaniach ilościowych.

Wyzwania w badaniach ilościowych i rozwiązanie AQuA

Tradycyjne agenty badawcze, które samodzielnie projektują eksperymenty, często prowadzą do zniekształcenia dowodów, na których się później uczą. Błędy metodologiczne, takie jak „przeciekające cechy” (leaky features), mogą zostać uznane za sukces i propagowane w kolejnych iteracjach, co prowadzi do przekonujących, ale niereprodukowalnych wyników testów historycznych. Problem ten, udokumentowany już przez Baileya i współpracowników, jest potęgowany, gdy agent samodzielnie tworzy eksperymenty, ponieważ rekurencja wzmacnia niewykryte błędy równie skutecznie jak prawdziwe odkrycia.

Instrukcje na poziomie promptu czy agenty recenzujące nie są wystarczającą barierą ochronną, gdyż zarówno autor, jak i recenzent mogą mieć te same „ślepe punkty”. Powtarzający się dostęp do stałego zbioru walidacyjnego prowadzi do adaptacyjnego nadmiernego dopasowania, a agenty oparte na dużych modelach językowych (LLM) potrafią wykorzystywać źle określone cele i ewaluatory. AQuA rozwiązuje ten problem, uniemożliwiając działania prowadzące do „przecieków”. Każda część systemu ustala swoje podziały danych, definicje cech i etykiet oraz ewaluator przed rozpoczęciem jakiejkolwiek iteracji. Agent emituje jedynie ograniczone wyrażenie czynnika lub pojedynczą różnicę w konfiguracji. Zespół badawczy nazywa to „asymetryczną swobodą”: agent swobodnie eksploruje w ramach swojego języka specyficznego dla domeny (DSL), ale ewaluator pozostaje poza powierzchnią adaptacyjną. Dzięki temu ulepszany jest sam proces badawczy, a nie tylko wyniki.

Struktura i działanie dwóch części AQuA

Część I AQuA to sześcioagentowy potok, zarządzany przez Menedżera AI. Składa się z agentów: Data Steward, Visual Analyst, Idea Miner, Factor Evaluator, Backtest Engineer i Research Librarian. Agenty nigdy nie komunikują się bezpośrednio ze sobą; każda wymiana informacji odbywa się za pośrednictwem Menedżera, co zapewnia audytowalność wszystkich operacji.

Czynnik wprowadzany jest jako falsyfikowalna propozycja, a nie gotowe wyrażenie – obejmuje hipotezę, mechanizm, przewidywany kierunek i warunki obalenia. Dopiero potem jest składany ze standardowego rejestru operatorów „formuł alfa”. Ponieważ każdy operator szeregów czasowych odczytuje tylko okno końcowe, a każdy operator przekrojowy odczytuje tylko bieżący znacznik czasu, przyczynowość jest zamknięta pod kompozycją. System wykorzystuje trzy pętle sprzężenia zwrotnego: kalibrację kierunku w ramach testu historycznego, aktualizację przekonań opartą na falsyfikacji w ramach pojedynczego uruchomienia oraz pamięć między uruchomieniami, która kieruje kolejnym wyszukiwaniem.

Na pięciominutowym uniwersum kryptowalut, skumulowany Spearman IC (Informational Coefficient) wzrósł po 20 epokach badawczych do około 0,190. Jest to wynik lepszy niż w przypadku adaptowanego AlphaMemo (0,171), adaptowanego AlphaGen (0,151), LSTM (0,137), LightGBM (0,106) i bazowego Alpha158-style (0,075). Indywidualne mechanizmy pozostają słabe (pojedyncze czynniki IC od 0,026 do 0,037), co podkreśla, że siła tkwi w całym systemie, a nie w pojedynczym wyrażeniu.

Część II AQuA przewiduje przyszły zwrot każdej akcji w ciągu kolejnych trzydziestu minut na amerykańskich rynkach akcji intraday. Trening odbywa się na danych z lat 2010–2019, rok 2020 stanowi przerwę (embargo gap), a dane z lat 2021–2025 są wykorzystywane jako nieużywany zbiór testowy. Selekcja modelu wykorzystuje wewnętrzny wycinek walidacyjny tylko z końca okna treningowego.

Hipoteza w tej części to jedna różnica w konfiguracji – architektura, funkcja straty, próbnik lub optymalizator – a jedna różnica generuje dokładnie jeden wariant, co zapewnia porównywalność wariantów. Predyktor jest hybrydą: wieloskalowy jednowymiarowy front-end konwolucyjny, konfigurowalny rdzeń obejmujący LSTM, Mamba i attention (w raportowanym uruchomieniu użyto attention), etap przekrojowy mieszający dane z panelu, bramkowana fuzja i uśredniony odczyt dla każdej akcji.

Żadna pojedyncza cecha ceny/wolumenu nie niesie sygnału; najsilniejszy jest 5-minutowy zwrot na poziomie -0,031, a kombinacja regresji grzbietowej osiąga tylko +0,025. Wśród rodzin modeli na identycznych danych i z tym samym ewaluatorem, surowy IC dla każdej akcji wynosi: +0,0251 (ridge), +0,0397 (LGB), +0,0434 (xLSTM), +0,0535 (LSTM), +0,0613 (GRU) i +0,0843 dla hybrydy – co stanowi +0,0230 absolutnej przewagi nad najlepszym modelem bazowym, czyli 37,5% względnej poprawy. Ważne jest, że IC z obu części nie są porównywalne ze względu na różne konwencje.

Wynik dla każdej akcji staje się neutralną dolarowo pozycją długą/krótką z kosztem 2 bps za dwie nogi. Neutralizacja sektorowa podnosi wskaźnik Sharpe'a na danych testowych do +2,15, z wartościami treningowymi i testowymi niemal równymi. Nakładka celująca w zmienność podnosi go do +2,50, a w pełni przyczynowy, kroczący do przodu wybór każdego parametru wyłącznie z danych historycznych nadal osiąga +2,00. Współczynnik R² dla każdej akcji wynosi 1,20%. Wskaźnik Sharpe'a w poszczególnych latach (2021-2025) kształtuje się następująco: +1,7, +3,5, +1,9, +1,8 i +2,7 – pozytywny w każdym roku, włączając w to spadek w 2022 roku.

Znaczenie dla przyszłości finansów ilościowych

Rozwój systemów takich jak AQuA stanowi znaczący krok w kierunku bardziej niezawodnych i autonomicznych badań w dziedzinie finansów ilościowych. Poprzez eliminację typowych błędów metodologicznych i zapewnienie audytowalności procesów, AQuA może przyczynić się do tworzenia stabilniejszych i bardziej efektywnych strategii inwestycyjnych. Asymetryczna swoboda, gdzie agent eksploruje w ramach ściśle określonych granic, a ewaluator pozostaje niezmienny, jest kluczowa dla budowania zaufania do wyników generowanych przez AI w tak wrażliwej dziedzinie jak finanse. To podejście może zrewolucjonizować sposób, w jaki odkrywane są czynniki alfa i rozwijane modele predykcyjne, otwierając drogę do bardziej zaawansowanych i odpornych na błędy systemów handlowych.

Źródło: marktechpost.com