Проблема неконтролируемого поиска
Автоматизированный поиск альфы (alpha mining) все чаще использует LLM-агентов для генерации факторов. Однако существующие системы делегируют агенту как создание фактора, так и решение о поиске, что делает процесс «черным ящиком». Без явного пространства поиска навигация остается неявной, что затрудняет систематическую оптимизацию и контроль качества.
Решение: AlphaSchema
Команда во главе с Цзинъяном И (Jingyang Yi) предложила AlphaSchema — метод, который конструирует и исследует структурированное пространство торговых семантик. Ключевая инновация заключается в разделении этапов: сначала LLM генерирует «план схемы» (schema plan), а затем этот план транслируется в исполняемый код. Это позволяет накапливать награды (rewards) на уровне семантики и обучать суррогатную модель для навигации по пространству.
Структура торговой семантики
Каждая точка в пространстве поиска представляет собой план, состоящий из пяти элементов. Это позволяет LLM оперировать логикой, а не просто случайным кодом.
| Элемент | Описание | Пример |
|---|---|---|
| Event | Событие или триггер | Рост объема торгов, разрыв цены |
| Context | Контекст рынка | Волатильность, тренд, сектор |
| Qualities | Качества актива | Капитализация, P/E, ликвидность |
| Direction | Направление сигнала | Long, Short, Neutral |
| Output | Формат выхода | Скаляр, бинарный класс, ранг |
Итеративный механизм выбора
Система использует суррогатную модель для балансировки трех стратегий:
- Глобальное исследование (Global exploration): поиск новых, неисследованных регионов семантического пространства.
- Эксплуатация, управляемая суррогатом (Surrogate-guided exploitation): фокус на регионах с высокой ожидаемой доходностью.
- Локальная мутация (Local mutation): тонкая настройка успешных схем.
Результаты на китайском рынке
Эксперименты проводились на рынке акций Китая. AlphaSchema обнаружил пулы факторов, демонстрирующие сильную предсказательную силу и эффективность портфеля. Анализ показал, что процесс семантического поиска эффективно перемещается по различным регионам, постепенно концентрируя оценки на высокодоходных участках.
Робастность к выбору LLM
Важное открытие: качество найденной альфы не зависит от конкретной модели LLM, используемой для реализации. Разные модели, применяемые к одним и тем же семантическим планам, генерируют факторы со сравнимой предсказательной способностью. Это означает, что ценность метода AlphaSchema заключается в структуре поиска, а не в «магии» конкретного промпта или модели.
Источник: arXiv cs.AI ↗