Проблема: самообман агентов в квант-финансах
Автоматизированные исследовательские агенты часто страдают от «самообмана»: если агент пишет собственные эксперименты, он может случайно зафиксировать шум как сигнал. Ошибка, давшая хороший бэктест, сохраняется в памяти и масштабируется в следующих итерациях. Традиционные методы (промпты, ревьюеры) не помогают, так как автор и ревьюер разделяют одни и те же слепые зоны, что приводит к адаптивному переобучению на фиксированных выборках.
Решение: AQuA и «асимметричная свобода»
Команда разработала AQuA (Autonomous Quantitative Agent) — пару независимых систем, которые улучшают процесс исследований, но используют «замороженные» (frozen) оценщики. Ключевая идея — асимметричная свобода: агент свободно исследует пространство решений внутри своего DSL (Domain Specific Language), но определения сплитов, признаков, лейблов и метрик оценки зафиксированы до начала итерации. Агент не имеет доступа к истории тестовых данных, что исключает утечку информации.
Часть I: Открытие альфа-факторов на крипте
Первая часть системы — это пайплайн из шести агентов (Data Steward, Visual Analyst, Idea Miner, Factor Evaluator, Backtest Engineer, Research Librarian), управляемых AI-менеджером. Агенты не общаются напрямую, все рукопожатия проходят через менеджера для аудита. Фактор начинается как фальсифицируемая гипотеза, а не просто формула.
На крипто-универсуме с интервалом 5 минут система достигла комбинированного Spearman IC (Information Coefficient) около 0.190 за 20 эпох. Это значительно превосходит аналоги:
| Метод / Модель | Spearman IC (Crypto 5m) |
|---|---|
| AQuA (Proposed) | 0.190 |
| AlphaMemo (адаптированная) | 0.171 |
| AlphaGen (адаптированная) | 0.151 |
| LSTM | 0.137 |
| LightGBM | 0.106 |
| Alpha158-style baseline | 0.075 |
Важно отметить, что индивидуальные факторы слабы (IC 0.026–0.037), но их комбинация в рамках системы дает значимый результат.
Часть II: Разработка моделей для акций США
Вторая часть предсказывает доходность акций США на 30 минут вперед. Обучение на данных 2010–2019 гг., 2020 год — эмбарго (не используется), 2021–2025 — тестовая выборка. Агент предлагает только «diff» конфигурации (архитектура, лосс, оптимизатор), что делает варианты сравнимыми.
Используется гибридная модель: 1D-свертки, Mamba/Attention, кросс-секционный этап. Гибридная модель показала IC +0.0843, что на 37.5% лучше лучшего базового линейного моделирования (GRU с IC +0.0613).
От сигнала к стратегии: Sharpe 2.50
Переход от предсказаний к торговой стратегии дал впечатляющие результаты. Долгосрочная книга с нейтральностью по секторам и стоимостью сделки 2 бп достигла Sharpe +2.15. Добавление каузального волатильного таргетинга подняло Sharpe до +2.50. Даже полностью каузальный walk-forward режим, выбирающий параметры только на основе прошлых данных, сохранил Sharpe на уровне +2.00.
Стратегия демонстрировала положительную доходность каждый год с 2021 по 2025, включая период просадки 2022 года. Это подтверждает, что AQuA не просто находит переобученные паттерны, а создает робастные финансовые гипотезы.
Источник: MarkTechPost ↗