От генерации идей к полному циклу
Традиционные методы использования больших языковых моделей (LLM) в квантитативных финансах часто ограничиваются лишь генерацией торговых сигналов (альфа-факторов). Остальные этапы — выбор библиотек, настройка моделей и валидация — остаются ручными. AutoScientist-Quant решает эту проблему, превращая весь процесс исследования в единую задачу оптимизации с ограниченным бюджетом вычислений.
Центральный контроллер системы принимает решения на каждом шаге, анализируя оставшийся бюджет. Он определяет, нужно ли улучшить текущую гипотезу, объединить её с другой, сменить направление (pivot) или остановить поиск. Система также самостоятельно управляет памятью, извлекая полезные траектории из прошлых итераций.
Решение проблемы «подглядывания» в тест
Одной из главных проблем автоматизации в финансах является утечка данных (lookahead bias), когда модель неосознанно использует информацию из будущего. Авторы AutoScientist-Quant:
- Исправили две основные проблемы «заглядывания в будущее» в пайплайне оценки.
- Обеспечили строгую изоляцию окна обратной связи от тестового окна (held out test window).
- Гарантировали, что каждое сравнение стратегий тестирует истинную способность к обобщению (generalization), а не переобучение на истории.
Результаты на индексе CSI
Фреймворк был протестирован на универсумах индекса CSI (China Securities Index). Результаты показали доминирование предложенного метода по практически всем метрикам в различных настройках. Успех сохранился при использовании разных базовых моделей (backbones) и на разных рынках, что подтверждает универсальность подхода.
Ключевые характеристики системы
| Параметр | Описание |
|---|---|
| Архитектура | Самоэволюционирующиеся LLM-агенты с единым контроллером |
| Управление бюджетом | Динамический выбор действий (улучшение, комбинирование, pivot, стоп) |
| Защита от переобучения | Изоляция тестового окна от окна обратной связи |
| Полный цикл | От гипотезы до развертывания стратегии (включая выбор библиотек) |
| Платформа тестирования | Индексы CSI, различные рынки |
Значение для индустрии
Работа авторов (Zongqian Li, Yaoyiran Li, Yaohui Guo, Ming Zhang, Nigel Collier, Eugene Ie) демонстрирует переход от вспомогательных инструментов к автономным исследователям. AutoScientist-Quant закрывает разрыв между генерацией идей и их практическим применением, снижая порог входа для создания сложных количественных стратегий и повышая их надежность за счет строгой методологии валидации.
Источник: arXiv cs.AI ↗