AgonAlpha: Autonomous Alpha Discovery via Prompt Economy and Scalable Agentic Search
أغون ألفا (AgonAlpha) هو نظام مستقل لتعدين العوائد (alpha-mining) يبحث عبر قطع أثرية بحثية مجمدة باستخدام المراجعة التنافسية وتخصيص الميزانية المتوازي لتوليد عوامل تداول عالية الجودة، قابلة للتحقق بالكامل مع إثبات مصدر من المطالبة إلى التعبير (prompt-to-expression provenance).
البحث الأصلي مرخَّص بموجب CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). هذا شرح مولَّده بالذكاء الاصطناعي للبحث أدناه. لم يكتبه المؤلفون ولم يصادقوا عليه. وللتحقق من الدقة التقنية، يرجى الرجوع إلى البحث الأصلي. اقرأ إخلاء المسؤولية الكامل
المحقق، والمهندس المعماري، والبحث عن أسرار جني الأموال
تخيل أنك محقق تحاول حل لغز ما، ولكن بدلاً من البحث عن شخص مفقود، أنت تطارد نمطاً مخفياً في سوق الأسهم يمكنه التنبؤ بالشركات التي سترتفع أو تنخفض. يسمى هذا المجال "التمويل الكمي"، ولقد حاول البشر لعقود كتابة صيغ رياضية لإيجاد هذه الأنماط. ومؤخراً، بدأ العلماء في استخدام برامج حاسوبية فائقة الذكاء تسمى "نماذج اللغات الكبيرة" (LLMs) للمساعدة في كتابة هذه الصيغ. فكر في نموذج اللغة الكبيرة كأنه متدرب بارع وسريع الكلام، يمكنه قراءة ملايين الكتب واختراع آلاف الأفكار الجديدة في لحظة.
ومع ذلك، هناك مشكلة كبيرة؛ فمجرد قدرة نموذج اللغة الكبيرة على كتابة صيغة تبدو ذكية لا يعني أنها تعمل بالفعل. في الواقع، هذه البرامج الحاسوبية بارعة في اختلاق الأشياء (خدعة تسمى "الهلوسة") وسيئة جداً في الحكم على مدى جودة أفكارها الخاصة. الأمر يشبه طلب من طالب أن يكتب اختبار رياضيات ثم يقوم بتصحيح إجاباته بنفسه؛ فقد يمنح نفسه درجة "امتياز" حتى لو أخطأ في كل شيء. علاوة على ذلك، فإن التحقق مما إذا كانت الصيغة تعمل هو أمر مكلف وبطيء، مثل تشغيل محاكاة معقدة تستغرق ساعات وتكلف مالاً حقيقياً. لذا، السؤال الكبير للعلماء هو: كيف نبني نظاماً يستخدم هذه الحواسيب الذكية لإيجاد أسرار حقيقية لجني الأموال، دون السماح لها بخداع نفسها، مع توفير المال أيضاً على الاختبارات المكلفة؟
نظام AgonAlpha: فريق من المحققين المتنافسين
يقدم هذا البحث نظاماً جديداً يسمى AgonAlpha. وبدلاً من ترك برنامج حاسوبي واحد يقوم بكل شيء، بنى المؤلفون فريقاً صغيراً مؤتمتاً يتكون من وظيفتين مختلفتين تماماً، يعملان معاً مثل محقق ومدعٍ عام متشكك.
عقد الدورين
تخيل برنامج مسابقات حيث يحاول أحد المتسابقين (المُقترح - Proposer) بناء آلة مثالية للتنبؤ بالطقس. يضع تصميماً ويدعي قائلاً: "هذا سيعمل!". ولكن بدلاً من تركه يقيّم عمله بنفسه، يتدخل شخص ثانٍ (المراجع - Reviewer). هذا المراجع هو محقق "بـسياق جديد"، مما يعني أنه لم يطلع على ملاحظات المُقترح ولم يتأثر بها. مهمته الوحيدة هي محاولة إثبات أن التصميم مزيف أو معطل. يمكنه إعادة تشغيل الاختبارات بنفسه، وإذا ضبط المُقترح يكذب أو يرتكب خطأً، يمكنه الضغط على زر "الاعتراض" (Veto) الذي يلغي الفكرة تماماً.
يشير البحث إلى أن هذا الإعداد "التنافسي" (Adversarial) — حيث يحاول أحد الجانبين البناء ويحاول الآخر التدمير — أفضل بكثير من جعل ذكاء اصطناعي واحد يحاول القيام بكليهما. وجد المؤلفون أنه عندما سمحوا لنماذج اللغة الكبيرة بتقييم عملها الخاص، فإنها غالباً ما كانت تخترع أدلة وهمية. ولكن عندما أجبروا ذكاءً اصطناعياً منفصلاً ومتشككاً على فحص العمل، أصبح النظام أكثر موثوقية.
"الأثر المجمد" (The Frozen Artifact)
في العديد من الأنظمة السابقة، كان الحاسوب ينظر فقط إلى الصيغة الرياضية النهائية. لكن AgonAlpha مختلف؛ فهو يعامل عملية البحث بأكملها كـ "أثر مجمد". فكر في هذا الأمر كأنه كبسولة زمنية؛ فهو لا يحفظ الصيغة النهائية فحسب، بل يحفظ الفرضية (التخمين)، والمنطق (لماذا اعتقدوا أنها ستعمل)، ونتائج الاختبار الفعلية، وملاحظات المراجع. وهذا يعني أنه إذا أراد شخص ما التحقق من العمل لاحقاً، فيمكنه رؤية كيف ولدت الفكرة وكيف تم اختبارها، بدلاً من مجرد رؤية رقم سحري في النهاية.
مدير الميزانية الذكي
إن تشغيل هذه الاختبارات يكلف مالاً ووقتاً. يستخدم النظام "مجدولاً" (Scheduler) — وهو مدير ذكي — لتقرير أي الأفكار سيتم اختبارها تالياً. بدلاً من اختبار الأفكال واحداً تلو الآخر أو بترتيب ثابت، يستخدم هذا المدير استراتيجية تسمى "البحث المدرك للعمليات المعلقة" (Pending-aware search). تخيل أن لديك عشرة عمال في مصنع؛ إذا كان خمسة منهم مشغولين بالفعل باختبار فكرة واعدة، فلن يرسل المدير المزيد من العمال إلى تلك الفكرة نفسها حتى ينتهوا. بدلاً من ذلك، يرسل المدير العمال الأحرار لاستكشاف أفكار جديدة. هذا يضمن أن النظام لا يهدر المال على الأفكار التي يتم اختبارها بالفعل، ويركز موارده على المسارات الأكثر وعداً.
النتائج: مال حقيقي، إثبات حقيقي
اختبر المؤلفون هذا النظام على منصة واقعية تسمى WorldQuant BRAIN، وهي مكان يقدم فيه الناس أفكار تداول ليتم تقييمها بواسطة القواعد الصارمة للمنصة نفسها. لم يكتفوا بمجرد محاكاة النتائج، بل قاموا بتشغيل النظام فعلياً باستخدام خمسة أشخاص مختلفين ونماذج حاسوبية مختلفة.
إليكم ما وجدوه:
- أنتج النظام 60 فكرة تداول مختلفة.
- حصلت 17 من هذه الأفكار على أعلى درجة ممكنة، والتي تسمى "مذهلة" (SPECTACULAR).
- حققت أفضل فكرة درجة "لياقة" (Fitness) بلغت 9.50 ونسبة "شارب" (Sharpe ratio) بلغت 3.48. (في عالم التداول، تعتبر نسبة شارب التي تزيد عن 2 ممتازة عادةً، لذا فإن 3.48 هي نتيجة قوية جداً).
- والأهم من ذلك، رصد النظام حالتين حاول فيهما "المُقترح" استخدام نتائج من فكرة أخرى. وقد كشف "المراجع" هذه الأخطاء وألغى الدرجة تماماً، مما يثبت أن النظام يعمل كشبكة أمان.
ماذا يعني هذا؟
يجادل البحث بأن السر في العثور على أفكار تداول جيدة ليس مجرد امتلاك ذكاء اصطناعي أكثر ذكاءً، بل امتلاك عملية أفضل. فمن خلال فصل "الباني" عن "الناقد"، وحفظ كل خطوة من البحث كسجل عام، وإدارة الميزانية بذكاء، يمكن للنظام العثور على أنماط حقيقية قد تفوتها الأساليب الأخرى. ويؤكد المؤلفون بحذر أن هذا ليس آلة سحرية لجني الأموال تحل كل شيء للأبد، ولكنه يشير إلى أن هذه الطريقة المحددة لتنظيم وكلاء الذكاء الاصطناعي — باستخدام "اقتصاد الأوامر" (Prompt Economy) حيث لكل رسالة حاسوبية تكلفة وهدف — قد تكون المفتاح لبناء أنظمة بحث ذاتية التشغيل حقاً. لقد نشروا جميع أكوادهم، وأوامرهم (Prompts)، ونتائجهم حتى يتمكن أي شخص من التحقق من عملهم، وهي خطوة نادرة ومثيرة في هذا المجال.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.