FactorMiner: A Self-Evolving Agent with Skills and Experience Memory for Financial Alpha Discovery
FactorMiner ist ein leichtgewichtiges, selbstentwickelndes Agenten-Framework, das eine modulare Skill-Architektur und einen strukturierten Erfahrungsspeicher nutzt, um iterativ diverse, hochwertige und interpretierbare formulierte Alpha-Faktoren zu entdecken und dabei die Redundanz im expandierenden Suchraum der quantitativen Investmentstrategien effektiv zu mildern.
Originalarbeit lizenziert unter CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). Dies ist eine KI-generierte Erklärung des untenstehenden Papers. Sie wurde nicht von den Autoren verfasst oder gebilligt. Für technische Genauigkeit konsultieren Sie das Originalpaper. Vollständigen Haftungsausschluss lesen
In der Welt des quantitativen Investierens hängt der Erfolg oft davon ab, ein verborgenes Signal in einem chaotischen Meer von Marktdaten zu finden. Investoren suchen nach Mustern in Preis, Volumen und Handelsaktivität, die zukünftige Bewegungen besser als der Zufall vorhersagen können. Diese Muster werden oft in Form von spezifischen mathematischen Formeln festgehalten, die als Alpha-Faktoren bekannt sind und wie Regeln für die Entscheidung über Kauf oder Verkauf fungieren. Die Herausforderung besteht darin, dass die Anzahl der möglichen Formeln so gewaltig ist, dass es einem Menschen unmöglich ist, sie alle aufzuschreiben oder alle manuell zu testen. Zudem stellen Forscher immer wieder fest, dass viele dieser Regeln lediglich Variationen derselben Idee sind und keinen neuen Erkenntnisgewinn bieten. Dies schafft eine überfüllte Landschaft, in der es zunehmend schwieriger wird, etwas wirklich Neues und Nützliches zu finden. Das Ziel ist es, ein System zu entwickeln, das in der Lage ist, diesen riesigen Raum nicht nur effizient zu durchsuchen, sondern auch aus seinen vergangenen Versuchen zu lernen, um Fehler nicht zu wiederholen und wahrhaft einzigartige Muster zu entdecken.
Ein Team von Forschern hat einen neuen Ansatz für dieses Problem entwickelt, der sich FactorMiner nennt – ein selbstverbessernder Computer-Agent, der darauf ausgelegt ist, dieses komplexe finanzielle Gelände zu navigieren. Anstatt sich auf einen menschlichen Experten zu verlassen, der jede Regel schreibt, oder auf ein einfaches Computerprogramm, das zufällig Formeln errät, agiert dieses System wie ein neugieriger Forscher, der über die Zeit hinweg Erfahrungen sammelt. Der Kern der Idee besteht darin, die Arbeit des Denkens von der Arbeit des Rechnens zu trennen. Der Agent nutzt ein Large Language Model, um Ideen für neue Formeln zu generieren, delegiert die eigentliche Prüfung dieser Formeln jedoch an eine spezialisierte, Hochgeschwindigkeits-Engine. Diese Engine prüft, ob eine Formel funktioniert, indem sie reale Marktdaten analysiert, misst, wie gut sie zukünftige Renditen vorhersagt, und sicherstellt, dass sie nicht zu ähnlich zu den tausenden anderen bereits entdeckten Regeln ist.
Was dieses System einzigartig macht, ist sein Gedächtnis. Die meisten automatisierten Suchmethoden vergessen, was sie in vorangegangenen Sitzungen gelernt haben, und verschwenden dadurch oft Zeit mit der Wiederentdeckung von Sackgassen oder dem Generieren der gleichen erfolgreichen Muster immer und immer wieder. FactorMiner hingegen führt ein strukturiertes Protokoll seiner Reise. Es speichert zwei Arten von Erkenntnissen: erfolgreiche Muster, also die Arten von Formelstrukturen, die in der Vergangenheit gut funktioniert haben, und verbotene Regionen, also Kombinationen von Ideen, die konsequent scheitern oder zu ähnlich zu bestehenden Regeln sind. Wenn der Agent eine neue Suche startet, konsultiert er zuerst dieses Gedächtnis. Er nutzt die Historie dessen, was funktionierte und was scheiterte, um seine nächsten Vermutungen zu leiten, wodurch er die Suche effektiv auf die vielversprechendsten Bereiche eingrenzt und gleichzeitig die überfüllten, unproduktiven Bereiche vermeidet.
Die Forscher testeten dieses System mit realen Finanzdaten, einschließlich Aktien aus China und verschiedenen Kryptowährungen. Sie fanden heraus, dass FactorMiner in der Lage ist, eine Bibliothek hochwertiger, diverser Regeln viel effektiver aufzubauen als traditionelle Methoden. In ihren Experimenten produzierte das System eine Sammlung von 110 distinkten Regeln, die an realen Marktdaten validiert wurden. Diese Regeln waren nicht nur präzise bei der Vorhersage von Preisbewegungen, sondern unterschieden sich auch vone von einander, was bedeutet, dass sie verschiedene Aspekte des Marktverhaltens erfassten, anstatt nur dasselbe Signal zu wiederholen. Das System schaffte es, diese Diversität aufrechtzuerhalten, selbst als die Bibliothek größer wurde – eine Leistung, an der viele andere automatisierte Methoden scheitern. Durch die kontinuierliche Verfeinerung seiner Suchstrategie basierend auf dem, was es gelernt hatte, vermied der Agent das „Korrelations-rote-Meer“ (correlation red sea) – einen Zustand, in dem neue Entdeckungen lediglich Kopien alter sind – und fand stattdessen frische, interpretierbare Erkenntnisse.
Der Prozess arbeitet in einer kontinuierlichen Schleife. Der Agent ruft relevante Lektionen aus seinem Gedächtnis ab, generiert einen Stapel neuer Kandidatenformeln und lässt diese durch eine strenge, mehrstufige Evaluierung laufen. Zuerst filtert er offensichtliche Fehlgriffe schnell heraus. Dann prüft er die Überlebenden gegen die bestehende Bibliothek, um sicherzustellen, dass sie nicht zu ähnlich zu dem bereits Bekannten sind. Wenn eine neue Regel besser ist als eine bestehende, aber zu ähnlich zu ihr, erlaubt das System der neuen Regel, die alte zu ersetzen, um die Bibliothek aktuell zu halten. Schließlich durchlaufen die vielversprechendsten Regeln eine vollständige, detaillierte Validierung. Die Ergebnisse dieses gesamten Prozesses werden anschließend in das Gedächtnis destilliert, wodurch die Vorstellung des Agenten darüber, was eine gute oder schlechte Suchrichtung darstellt, aktualisiert wird. Dieser Zyklus ermöglicht es dem System zu evolvieren und mit jeder Runde der Entdeckung effizienter und effektiver zu werden.
Die Forscher betonen, dass dieser Ansatz eine praktische Lösung für das Problem bietet, neue Investitionssignale in einem Markt zu finden, in dem einfache Entdeckungen bereits getätigt wurden. Durch die Kombination der kreativen Generierung von Ideen mit einer disziplinierten, gedächtnisgesteuerten Suche bietet FactorMiner einen Weg, die Entdeckung nützlicher finanzieller Regeln zu skalieren, ohne dabei Klarheit oder Diversität zu opfern. Das System stützt sich nicht auf undurchsichtige Black-Box-Modelle, die unmöglich zu verstehen sind; stattdin produziert es klare, menschenlesbare Formeln, die geprüft und vertraut werden können. Diese Arbeit zeigt, dass es möglich ist, einem künstlichen Agenten die Fähigkeit zu geben, seine vergangenen Erfahrungen zu erinnern und aus ihnen zu lernen, um die immense Komplexität der Finanzmärkte zu navigieren und wertvolle, interpretierbare Muster zu entdecken, die zuvor unerreichbar waren.
Ertrinken Sie in Arbeiten in Ihrem Fachgebiet?
Erhalten Sie tägliche Digests der neuesten Arbeiten passend zu Ihren Forschungsbegriffen — mit technischen Zusammenfassungen, in Ihrer Sprache.