🤖 AI

AlphaCrafter: Harnessing Multi-Agent Workflows for Cross-Sectional Quantitative Trading

本論文は、緩やかな自然言語によるワークフローを、プログラム可能なポリシー仕様と明示的な検証メカニズムを備えた構造化されたハーネス駆動型設計に置き換えることで、定量的トレーディングの信頼性、制御可能性、および検証可能性を向上させるマルチエージェント・フレームワークであるAlphaCrafterを紹介しており、実証結果によれば、これにより分散を抑えつつ優れたリスク調整後リターンをもたらすことが示されている。

原著者： Yishuo Yuan, Jiayi Sheng, Sirui Zeng, Jiaqi Wang, Jiaheng Liu

公開日 2026-07-29

📖 1 分で読めます☕ さくっと読める

CC BY 4.0

原著者： Yishuo Yuan, Jiayi Sheng, Sirui Zeng, Jiaqi Wang, Jiaheng Liu

原論文は CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) でライセンスされています。 ✨ これは以下の論文のAI生成解説です。著者が執筆または承認したものではありません。技術的な正確性については原論文を参照してください。免責事項の全文を読む

コンピュータが単に厳格なレシピに従うだけでなく、複雑な問題を解決するために実際に「考える」ことができる世界を想像してみてください。これは、人工知能（AI）、特に**クオンツ・トレーディング（計量取引）と呼ばれる分野の領域です。これは、株価が上がるか下がるかを予測して利益を得ることを目的とした、高額な賞金がかかったビデオゲームのようなものです。何十年もの間、人間はこれを行うために厳格なコンピュータプログラムを書いてきました。しかし、市場は混沌とした海のようなものであり、嵐は変化し、潮流は移り変わり、古い地図はしばしば難破へと導きます。最近、科学者たちは、世界のほぼすべてのテキストを学習した超スマートなAIの脳である大規模言語モデル（LLM）**を、トレーダーとして使い始めました。その考え方は、これらのAIの脳がニュースを読み、パターンを理解し、静的なコンピュータプログラムよりも優れた意思決定を行えるのではないかというものです。しかし、落とし穴があります。もし単にAIに「私のためにトレードして」と頼むと、AIは混乱したり、幻覚を見せたり、あるいは頼むたびに異なる行動をとったりする可能性があり、実弾を預けるにはリスクが高すぎます。

ここで、南京大学の研究者による新しい論文が、巧妙な解決策を提示しています。彼らは、AIに「行き当たりばったり」でやらせるのではなく、AlphaCrafterというシステムを紹介しています。これは、AIの周囲に、野生動物のための安全ケージや混沌としたゲームのルールブックのような、厳格な「ハーネス（装着具）」を構築したものです。彼らは、AIに構造化されたステップ・バイ・ステップのワークフローに従わせ、そこにチェック機能と相互監視機能を組み込むことで、システムがはるかに信頼性の高いものになることを発見しました。彼らの実験は、この「ハーネス駆動型」のアプローチが、市場が荒れている時でさえ、AIがより一貫して、より少ないリスクで、より優れた利益を生む決定を下すのを助けることを示唆しています。これは、天才的なシェフに対して、「何か美味しいものを作って」とただ伝えるよりも、厳格で検証済みのレシピと安全検査官を与える方が優れていると気づくことに似ています。

問題点：「ルーズなプロンプト」の罠

非常に賢いが少し混沌とした友人に、大規模なパーティーの準備をお願いすることを想像してみてください。もしあなたが単に「素晴らしいものにして！（"make it great!"）」とだけ言った場合（これが「ルーズなプロンプト」です）、彼らはピザのオーブンや音楽家を持ってくるかもしれませんが、椅子を忘れてしまうかもしれません。彼らがある日は素晴らしい仕事をし、別の日はひどい仕事をするということが起こり得ます。それは、その日の気分に左右されるからです。AIトレーディングの世界でも、既存のシステムの多くはこのように機能しています。彼らは、AIに何をすべきかを伝えるための単純なテキスト指示に依存しています。問題は、これらのAIの脳は予測不可能であるということです。ルールを忘れたり、途中で考えを変えたり、あるいは使用する特定のAIモデルによって異なる行動をとったりすることがあります。何百万ドルもの資金が動く株式市場において、この「ルース（緩い）」な挙動は危険です。それは一貫性のない結果をもたらし、長期的にシステムを信頼することを不可能にします。

解決策：AlphaCrafterの「ハーネス」

AlphaCrafterの開発者たちは、AIを自由奔放な芸術家として扱うのをやめ、工場での規律ある労働者として扱うことに決めました。彼らはマルチエージェント・フレームワークを構築しました。つまり、単一のAIにすべてを行わせるのではなく、それぞれに特定の役割を持つ専門化されたAIエージェントのチームを作り、それぞれの周囲に「ハーネス」を設置したのです。

このハーネスを、ロッククライマーのための安全ハーネスだと考えてください。それはクライマーが動くのを妨げるものではなく、滑ったとしても崖から落ちないように保証するものです。AlphaCrafterにおけるハーネスには、以下が含まれます：

プログラマブル・ポリシー（プログラム可能な方針）： AIが従わなければならない厳格なルール。
実行制約（Execution Constraints）： AIができることの制限。
検証メカニズム（Verification Mechanisms）： AIが間違いを犯していないかを確認するための自動チェック。

このシステムは、ループの中で連携して機能する3つの主要な「ハーネス」に分かれています。

マイナー（要因ハンター）： 金鉱を探すプロスペクター（探鉱者）を想像してください。このAIエージェントの仕事は、新しい「ファクター（要因）」を発明することです。トレーディングにおいて、ファクターとは、株価が上がるかどうかを予測する手がかりやシグナルのことです（例：「価格が低い株は上昇しやすい」など）。マイナーは、これらを数千個生成しますが、すべてを保持するわけではありません。それらは厳格なテストを受けます。もし手がかりが過去にうまく機能していなければ、ハーネスはその手がかりを破棄します。最も優れた、最も信頼できる手がかりだけがライブラリに追加されます。
スクリーナー（レジーム探偵）： 天気予報士を想像してください。市場は「レジーム（局面）」（晴天、嵐、霧など）が変化します。穏やかな市場で機能する手がかりが、嵐の中では失敗することもあります。スクリーナーは現在の市場状況を観察し、AIに「今はどんな天気ですか？」と問いかけ、そして今日の天気に適した手がかりだけを選び出します。悪いものを排除し、良いものをグループ化します。
トレーダー（実行パイロット）： これは飛行機の操縦士です。スクリーナーから受け取った良質な手がかりのリストを受け取り、それぞれのものにどれだけの資金を賭けるかを正確に決定します。彼らは、異なる戦略をテストするためにシミュレーション（フライトシミュレーターのようなもの）を実行します。そして、最も高いリターンが見込まれ、かつリスクが最小限となる戦略のみを選び、トレードを実行します。

彼らが発見したこと：安定性は新しいスーパーパワーである

研究者たちは、AlphaCrafterを2つの巨大な株式市場、すなわちCSI 300（中国のトップ300社）とS&P 500（米国のトップ500社）でテストしました。彼らは、古典的な数学的公式、標準的な機械学習、およびこの「ハーネス」システムを使用していない他のAIトレーディングボットを含む、他の手法と比較しました。

結果は明白でした。他のAIシステムが、時には巨額の利益を上げ、時には激しく暴落するジェットコースターのようであったのに対し、AlphaCraлоfterは安定していました。

より高いリターン： AlphaCrafterは、中国市場で約1.67、米国市場で1.34というシャープレシオ（リスクに対してどれだけの利益を得られるかを測定するスコア）を記録し、ほとんどの他の手法よりも一貫して多くの利益を上げました。
混沌の減少： 最大の勝利は、単に利益を上げることではなく、利益を一貫して上げることでした。研究者が同じテストを10回実行した際、AlphaCrafterの結果は毎回ほぼ同一でした。他のAIシステムは激しく変動しました。ある実行では素晴らしく、次の実行では悲惨な結果になることもありました。AlphaCrafterの「ハーネス」は、システム内部で使用されている特定のAIの脳（GPT、Claude、Geminiなど）が何であっても、AIを軌道に乗せ続けました。
嵐を生き抜く： 彼らはまた、誰もがその手法に気づいたためにトレーディングの手がかりが機能しなくなる「アルファ減衰（Alpha Decay）」についても調査しました。AlphaCrafterのマイナーは、古いものを置き換えるための新しい手がかりを見つけ続け、市場の変化に関わらずシステムを新鮮かつ効果的に保ちました。一方で、他のシステムは市場が変化するにつれてパフォーマンスが低下しました。

まとめ

この論文は、AIを信頼できるトレーダーにするための秘訣は、単にAIを「より賢く」することではないと示唆しています。それは、その周囲により優れた構造を構築することです。AIを、ルールに従い、自らの仕事をチェックし、特定のタスクに特化させるためのハーネスで包み込むことで、AlphaCrafterは混沌として予測不可能なAIを、規律ある信頼できるトレーディングパートナーへと変貌させます。これは、金融というハイステークスなゲームにおいて、緩い計画を持つ孤独な天才よりも、セーフティネットを備えたよく組織されたチームの方がはるかに強力であることを証明しています。このアプローチは、単に利益を生むだけでなく、プロセス全体をより安全で、透明性が高く、信頼しやすいものにします。

テクニカルサマリー：AlphaCrafter

問題提起

定量トレーディングエージェントは、ファクター発見、シグナル集約、およびポートフォリオ実行の自動化において有望な成果を示している。しかし、既存のエージェントベースのシステムは、主に緩やかに指定された自然言語のワークフローに依存している。このアプローチは、以下の決定的な欠陥をもたらす：

不透明な推論： 意思決定プロセスに透明性が欠けている。
不整合性： 基盤モデルや繰り返される実行によって、挙動が大きく変動する。
制御性と検証可能性の限界： 明示的な制約の欠如は、金融における意思決定、特に持続的な一貫性が予測精度と同様に重要となる長期的なトレーディングにおいて、重大なリスクを導入する。

古典的なファクターモデルから機械学習やディープラーニングへと進化してきた従来の定量的戦略は、市場のダイナミクスが変化した際に手動介入を必要とする静的な設計思想の下で動作している。LLM（大規模言語モデル）エージェントは自動化を提供する一方で、現在の実装は、信頼性が高く再現可能な金融アプリケーションに必要な、明示的な実行ポリシーと検証メカニズムを欠いていることが多い。

メソドロジー：AlphaCrafterフレームワーク

これらの制限に対処するため、著者らは、クロスセクショナルな定量トレーディングのためのハーネス駆動型マルチエージェントフレームワークであるAlphaCrafterを提案する。エージェントの挙動を制約のないプロンプト実行として扱うのではなく、AlphaCrafterは各エージェントを構造化された**実行ハーネス（execution harness）**の中にカプセル化する。このハーネスは、プログラム可能なポリシー仕様、実行制約、および明示的な検証メカニズムを統合し、トレーディングパイプラインを、明確に定義され、再現可能で、監査可能な意思決定プロセスへと変貌させる。

本フレームワークは、形式化されたトレーディング環境 $E = (T, M, Z, \Pi)$ 上で動作し、即時的な状況把握のための「インコンテキスト・メモリ（In-context Memory）」と、トレーディングの軌跡のための共有リポジトリとしての「永続的長期メモリ（Persistent Long-Term Memory）」という2種類のメモリを利用する。システムは、特定のハーネスポリシーによって管理される3つの特化したエージェントクラスターで構成される：

1. Minerクラスター・ハーネス ( $P_M$ )

機能： 自律的なファクター生成、厳格な検証、および継続的なライブラリのメンテナンス。
メカニズム：
- LLMが現在の市場状況に基づいた候補ファクター式を生成する。
- 候補は、情報係数（IC）、ランクIC、IC情報比（ICIR）、ヒット率、カバレッジ、および複数の予測ホライゾンにわたるターンオーバーを含む包括的なメトリクスを用いて、ヒストリカルデータに対して検証される。
- アルゴリズム1は、このポリシーの詳細を示す：検証済みのファクターはライブラリ $Z$ に追加される。既存のファクターは定期的に再検証され、パフォーマンスの減衰が見られるものは除外（プルニング）される。
- これにより、ファクターライブラリが進化する市場レジームに適応し、動的に保たれることを保証する。

2. Screenerハーネス ( $P_S$ )

機能： シグナルを支配的な市場レジームに適合させることで、一貫性のあるファクターアンサンブルを精製する。
メカニズム：
- 専用ツールを通じて市場情報を取得し、LLMを使用して現在の市場レジーム（トレンド、ボラティリティ、相関構造）を診断する。
- 診断されたレジームに対する意味的な関連性に基づいて、ライブラリからファクターをフィルタリングする。
- 直近の予測パフォーマンス（平均ランクIC）に基づき、適合性スコアを算出する。
- LLMによる類似性評価を用いて、既に選択されたものと意味的に類似したファクターを拒否することで、多様性を強制する。
- 方向性ウェイトを割り当て、現在の市場ダイナミクスに適合した多様なアンサンブルを形成する。

3. Traderハーネス ( $P_T$ )

機能： トレーディング戦略の構成および実行。
メカニズム：
- ファクターアンサンブルとレジーム評価をインプットとして受け取る。
- 市場レジームを条件としたハイパーパラメータ構成（例：ロング/ショートの強度、ポジションサイジング）をサンプリングする。
- リファレンスとなるTop-Kロング・ショート・ポートフォリオ構築メカニズムをインスタンス化することで、実行可能な戦略コードを生成する。
- アルゴリズム3は、このプロセスを概説する：候補はバックテストを通じて評価される。リスク制約（例：最大ドローダウン、最小リターン）を満たしつつ、シャープレシオを最大化する構成が選択される。
- 最適な戦略は、ライブ市場データ上で実行される。

主な貢献

ハーネス駆動型エージェント実行： 本論文は、クロスセクショナルな定量トレーディングのための初のハーネス駆動型マルチエージェントフレームワークを提示する。これは、緩やかに指定されたプロンプト駆動型のワークフローを、プログラム可能な実行ポリシー、明示的な行動制約、および検証メカニズムに置き換え、制御可能で再現可能なエージェント実行を可能にする。
堅牢な長期トレーディング性能： 広範な実験により、ハーネス駆動型の設計が、最先端のベースラインと比較して、クロスモデルおよびクロス試行の分散を大幅に抑えつつ、優れたリスク調整後リターンを生み出すことが示された。

実験結果

本フレームワークは、2016年から2026年中盤までのデータ（ライブトレーディングフェーズを含む）を用い、CSI 300（中国A株）およびS&P 500（米国株式）市場において評価された。

パフォーマンス指標： AlphaCrafterは、従来のインジケーター（MACD、グリッドトレード）、機械学習モデル（LightGBM、XGBoost、LSTM、Transformer）、および他のエージェントベースの手法（TradingAgents、TradingGroup、RD-Agent、AlphaAgent）と比較して、一貫して高い年率リターン（AR）、シャープレシオ（SR）、および低い最大ドローダウン（MDD）を達成した。
安定性：
- 試行安定性： AlphaCrafterは、10回の独立したバックテスト試行において、最も小さいクロス試行分散と最も高い最小リターンを示し、テールリスクが低いことを示した。
- モデル安定性： 本フレームワークは、3つの異なるバックボーンLLM（GPT 5.3 Codex、Claude Opus 4.6、Gemini 3.1 Pro）にわたって一貫したパフォーマンスプロファイルを維持しており、ハーネスが有効性（effectiveness）を特定の基盤モデルから効果的にデカップル（分離）していることを証明している。
アルファ減衰の緩和： 深刻なボラティリティと負のIC値に苦しんだ静的なファクターセット（例：Alpha158 global top20）とは異なり、AlphaCrafterは半年ごとの期間を通じて安定したICレベル（~0.02）を維持した。これは、適応的なライブラリメンテナンスと正規化ベースの探索が、アルファ減衰を緩和する上で効果的であることを裏付けている。
アブレーション研究： いずれかのコンポーネント（Miner、Screener、またはTrader）を削除するか、システムをシングルエージェントモデルに集約させると、パフォーマンスの低下、分散の増大、およびドローダウンの増加を招いた。これは、コンテキストの隔離と集中した実行のための、マルチエージェントかつモジュール化されたハーネス設計の必要性を検証している。

意義と主張

本論文は、AlphaCrafterが、より信頼性が高く、制御可能で、堅牢なマルチエージェント・システムを構築するための実用的な基礎を提供すると主張している。

暗黙から明示へ： コアとなる意義は、エージェント設計を、暗黙的なプロンプト駆動型のプロセスから、明示的で検証可能な計算ワークフローへと移行させることにある。複雑で長期的なタスクを解決するためには、LLMを取り巻く「ハーネス」が、モデル自体と同様に重要であると位置づけられている。
再現性： エージェントを構造化されたポリシー内にカプセル化することで、システムはトレーディングパイプラインの監査と再現性を保証し、現在のLLMベースの金融アプリケーションにおける大きなギャップを埋める。
リスク認識： ケーススタディによれば、統合されたハーネスシステムは、明示的なボラティリティ・ターゲティング・ルールなしに、Miner、Screener、およびTraderの協調された制約から創発的に、市場のボラティリティに応じてポジション露出を動的に調整するという、本質的なリスク認識能力を示している。

著者らは、規律あるハーネスベースの設計が、金融上の意思決定に求められる厳格さを維持しながら、進化する市場条件に適応できる自動トレーディングシステムへの実行可能な道筋であると結論付けている。