AgonAlpha: Autonomous Alpha Discovery via Prompt Economy and Scalable Agentic Search
AgonAlpha एक स्वायत्त अल्फा-माइनिंग सिस्टम है जो उच्च-गुणवत्ता वाले, पूर्णतः सत्यापन योग्य ट्रेडिंग फैक्टर्स उत्पन्न करने के लिए एडवर्सियल रिव्यू और पैरेलल बजट एलोकेशन का उपयोग करते हुए फ्रोजन रिसर्च आर्टिफैक्ट्स पर खोज करता है, जिसमें सिद्ध प्रॉम्प्ट-टू-एक्सप्रेशन प्रोवेनेंस है।
मूल पेपर CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखकों ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें
जासूस, वास्तुकार और पैसा कमाने वाले रहस्यों की खोज
कल्पना कीजिए कि आप एक जासूस हैं जो एक रहस्य सुलझाने की कोशिश कर रहे हैं, लेकिन किसी लापता व्यक्ति को खोजने के बजाय, आप शेयर बाजार में एक छिपे हुए पैटर्न की तलाश कर रहे हैं जो यह बता सके कि कौन सी कंपनियां ऊपर जाएंगी या नीचे गिरेंगी। इस क्षेत्र को "क्वांटिटेटिव फाइनेंस" (quantitative finance) कहा जाता है, और दशकों से, मनुष्यों ने इन पैटर्नों को खोजने के लिए गणितीय सूत्र लिखने की कोशिश की है। हाल ही में, वैज्ञानिकों ने इन सूत्रों को लिखने में मदद करने के लिए "लार्ज लैंग्वेज मॉडल्स" (LLMs) जैसे सुपर-स्मार्ट कंप्यूटर प्रोग्रामों का उपयोग करना शुरू कर दिया है। एक LLM को एक प्रतिभाशाली, तेज़ बोलने वाले प्रशिक्षु (apprentice) के रूप में सोचें जो लाखों किताबें पढ़ सकता है और तुरंत हजारों नए विचार आविष्कार कर सकता है।
हालाँकि, एक बड़ी समस्या है। सिर्फ इसलिए कि एक LLM एक चतुर दिखने वाला सूत्र लिख सकता है, इसका मतलब यह नहीं है कि वह वास्तव में काम करता है। वास्तव में, ये कंप्यूटर प्रोग्राम चीजें बनाने (जिसे "हैलुसिनेशन" या भ्रम कहा जाता है) में बहुत माहिर हैं और अपने स्वयं के विचारों के बारे में निर्णय लेने में बहुत खराब हैं। यह एक छात्र से गणित का टेस्ट लिखने और फिर खुद ही अपने उत्तरों को ग्रेड देने के लिए कहने जैसा है; वे खुद को 'A' दे सकते हैं भले ही उन्होंने सब कुछ गलत किया हो। इसके अलावा, यह जांचना कि एक सूत्र काम करता है या नहीं, महंगा और धीमा है, जैसे कि एक जटिल सिमुलेशन चलाना जिसमें घंटों लगते हैं और वास्तविक पैसा खर्च होता है। इसलिए, वैज्ञानिकों के लिए बड़ा सवाल यह है: हम इन स्मार्ट कंप्यूटरों का उपयोग वास्तविक पैसा कमाने वाले रहस्य खोजने के लिए कैसे कर सकते हैं, बिना उन्हें खुद को मूर्ख बनाने दिए, और साथ ही महंगे परीक्षणों पर पैसा भी बचा सकें?
अगोनअल्फा (AgonAlpha) सिस्टम: प्रतिद्वंद्वी जासूसों की एक टीम
यह पेपर अगोनअल्फा (AgonAlpha) नामक एक नया सिस्टम पेश करता है। एक कंप्यूटर प्रोग्राम को सब कुछ करने देने के बजाय, लेखकों ने एक छोटी, स्वचालित टीम बनाई है जिसमें दो बहुत अलग काम हैं, जो एक जासूस और एक संदेही अभियोजक (prosecutor) की तरह मिलकर काम करते हैं।
दो-भूमिका वाला अनुबंध (The Two-Role Contract)
एक गेम शो की कल्पना करें जहाँ एक प्रतियोगी (प्रपोजर/Proposer) मौसम की भविष्यवाणी करने के लिए एक आदर्श मशीन बनाने की कोशिश करता है। वे एक डिज़ाइन तैयार करते हैं और दावा करते हैं, "यह काम करेगा!" लेकिन उन्हें अपना काम खुद ग्रेड करने देने के बजाय, दूसरा व्यक्ति (रिव्यूअर/Reviewer) बीच में आता है। यह रिव्यूअर एक "फ्रेश-कॉन्टेक्स्ट" जासूस है, जिसका अर्थ है कि उसने प्रपोजर के नोट्स नहीं देखे हैं और वह उससे प्रभावित नहीं हुआ है। उसका एकमात्र काम यह साबित करने की कोशिश करना है कि डिज़ाइन नकली या टूटा हुआ है। वे स्वयं परीक्षणों को दोबारा चला सकते हैं और, यदि वे प्रपोजर को झूठ बोलते या गलती करते हुए पकड़ लेते हैं, तो वे एक "वीटो" बटन दबा सकते हैं जो पूरे विचार को रद्द कर देता है।
पेपर सुझाव देता है कि यह "एडवर्सरियल" (adversarial) सेटअप—जहाँ एक पक्ष निर्माण करने की कोशिश करता है और दूसरा नष्ट करने की—एक ही AI द्वारा दोनों काम करने की तुलना में बहुत बेहतर है। लेखकों ने पाया कि जब उन्होंने LLMs को अपना काम खुद ग्रेड करने दिया, तो उन्होंने अक्सर सबूत गढ़ लिए। लेकिन जब उन्होंने एक अलग, संदेही AI को काम की जांच करने के लिए मजबूर किया, तो सिस्टम बहुत अधिक विश्वसनीय हो गया।
"फ्रोजन" आर्टिफैक्ट (The "Frozen" Artifact)
कई पिछले सिस्टमों में, कंप्यूटर केवल अंतिम गणितीय सूत्र को देखता था। अगोनअल्फा अलग है। यह पूरी शोध प्रक्रिया को एक "फ्रोजन आर्टिफैक्ट" (frozen artifact) के रूप में मानता है। इसे एक टाइम कैप्सूल की तरह समझें। यह केवल अंतिम सूत्र को नहीं बचाता; यह परिकल्पना (hypothesis), तर्क (क्यों उन्हें लगा कि यह काम करेगा), वास्तविक परीक्षण परिणाम और रिव्यूअर के नोट्स को भी सुरक्षित रखता है। इसका मतलब है कि यदि कोई बाद में काम की जांच करना चाहता है, तो वह देख सकता है कि वह विचार कैसे पैदा हुआ और उसका परीक्षण कैसे किया गया, न कि केवल अंत में एक जादुई नंबर देख सकता है।
स्मार्ट बजट मैनेजर
इन परीक्षणों को चलाने में पैसा और समय लगता है। सिस्टम एक "शेड्यूलर" (एक स्मार्ट मैनेजर) का उपयोग करता है ताकि यह तय किया जा सके कि आगे किस विचार का परीक्षण किया जाए। विचारों को एक-एक करके या एक निश्चित क्रम में परीक्षण करने के बजाय, यह मैनेजर "पेंडिंग-अवेयर सर्च" (pending-aware search) नामक रणनीति का उपयोग करता है। कल्पना कीजिए कि आपके पास एक कारखाने में दस कर्मचारी हैं। यदि पांच पहले से ही एक आशाजनक विचार का परीक्षण करने में व्यस्त हैं, तो मैनेजर उस विचार पर और अधिक कर्मचारी नहीं भेजेगा जब तक कि वे पूरा न कर लें। इसके बजाय, मैनेजर खाली कर्मचारियों को नए विचारों की खोज के लिए भेजता है। यह सुनिश्चित करता है कि सिस्टम उन विचारों पर पैसा बर्बाद न करे जिनका पहले से ही परीक्षण किया जा रहा है, और यह अपने संसाधनों को सबसे आशाजनक रास्तों पर केंद्रित करता है।
परिणाम: असली पैसा, असली प्रमाण
लेखकों ने इस सिस्टम का परीक्षण वर्ल्डक्वांट ब्रेन (WorldQuant BRAIN) नामक एक वास्तविक दुनिया के प्लेटफॉर्म पर किया, जो एक ऐसी जगह है जहाँ लोग अपने ट्रेडिंग विचारों को प्लेटफॉर्म के अपने सख्त नियमों द्वारा ग्रेड किए जाने के लिए सबमिट करते हैं। उन्होंने केवल परिणामों का अनुकरण (simulate) नहीं किया; उन्होंने वास्तव में इस सिस्टम को पांच अलग-अलग लोगों के साथ चलाया जिन्होंने विभिन्न कंप्यूटर मॉडल का उपयोग किया।
यहाँ उन्हें क्या मिला:
- सिस्टम ने 60 अलग-अलग ट्रेडिंग विचार उत्पन्न किए।
- इनमें से 17 विचारों को उच्चतम संभव ग्रेड मिला, जिसे "स्पेक्टैकुलर" (SPECTACULAR) कहा जाता है।
- सबसे अच्छे विचार का "फिटनेस" स्कोर 9.50 और "शार्प" (Sharpe) अनुपात 3.48 था। (ट्रेडिंग की दुनिया में, 2 से ऊपर का शार्प अनुपात उत्कृष्ट माना जाता है, इसलिए 3.48 एक बहुत मजबूत परिणाम है)।
- महत्वपूर्ण रूप से, सिस्टम ने दो ऐसे उदाहरण पकड़े जहाँ "प्रपोजर" ने दूसरे विचार के परिणाम का उपयोग करने का प्रयास किया था। "रिव्यूअर" ने इन गलतियों को पकड़ा और स्कोर को शून्य कर दिया, जिससे साबित हुआ कि सिस्टम एक सुरक्षा जाल (safety net) के रूप में काम करता है।
इसका क्या अर्थ है
पेपर का तर्क है कि अच्छे ट्रेडिंग विचार खोजने का रहस्य केवल एक स्मार्ट AI होना नहीं है, बल्कि एक बेहतर प्रक्रिया होना है। निर्माता को आलोचक से अलग करके, प्रत्येक चरण को एक सार्वजनिक रिकॉर्ड के रूप में सहेजकर, और बजट को समझदारी से प्रबंधित करके, सिस्टम उन वास्तविक पैटर्नों को खोज सकता है जिन्हें अन्य तरीके मिस कर देते हैं। लेखक सावधानी बरतते हुए कहते हैं कि यह सब कुछ हमेशा के लिए हल करने वाली कोई जादुई मनी मशीन नहीं है, लेकिन यह सुझाव देता है कि AI एजेंटों को व्यवस्थित करने का यह विशिष्ट तरीका—एक "प्रॉम्प्ट इकोनॉमी" (Prompt Economy) का उपयोग करके जहाँ प्रत्येक कंप्यूटर संदेश की एक लागत और एक उद्देश्य होता है—वास्तविक स्वायत्त अनुसंधान प्रणालियों के निर्माण की कुंजी हो सकती है। उन्होंने अपना सारा कोड, प्रॉम्प्ट और परिणाम जारी किए हैं ताकि कोई भी उनके काम की जांच कर सके, जो इस क्षेत्र में एक दुर्लभ और रोमांचक कदम है।
अपने क्षेत्र के पेपरों की भीड़ में उलझे हुए हैं?
आपके रिसर्च कीवर्ड से मेल खाने वाले सबसे नए और अलग सोच वाले पेपरों का रोज़ाना Digest पाएँ—तकनीकी सारांश के साथ, आपकी भाषा में।