FactorMiner: A Self-Evolving Agent with Skills and Experience Memory for Financial Alpha Discovery
FactorMiner is een lichtgewicht, zelfevoluerend agent-framework dat gebruikmaakt van een modulaire vaardigheidsarchitectuur en een gestructureerd ervaringengeheugen om iteratief diverse, hoogwaardige en interpreteerbare formulematige alfa-factoren te ontdekken, terwijl het redundantie in de uitbreidende zoekruimte van kwantitatieve beleggingen effectief mitigeert.
Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer
In de wereld van kwantitatieve beleggingen hangt succes vaak af van het vinden van een verborgen signaal binnen een chaotische zee van marktgegevens. Beleggers zoeken naar patronen in prijs, volume en handelsactiviteit die toekomstige bewegingen beter kunnen voorspellen dan op toeval gebaseerd is. Deze patronen worden vaak uitgeschreven als specifieke wiskundige formules, bekend als alfa-factoren, die fungeren als regels voor het beslissen wanneer men moet kopen of verkopen. De uitdaging is dat het aantal mogelijke formules zo groot is dat het voor een mens onmogelijk is om ze allemaal op te schrijven of handmatig te testen. Bovendien, naarmate onderzoekers meer van deze regels ontdekken, merken ze vaak dat veel van deze regels slechts variaties zijn van hetzelfde idee, wat geen nieuwe inzichten biedt. Dit creëert een overvol landschap waar het steeds moeilijker wordt om iets werkelijk nieuws en nuttigs te vinden. Het doel is om een systeem te bouwen dat niet alleen deze enorme ruimte efficiënt kan doorzoeken, maar ook kan leren van eerdere pogingen om fouten te vermijden en werkelijk unieke patronen te ontdekken.
Een team van onderzoekers heeft een nieuwe aanpak voor dit probleem ontwikkeld genaamd FactorMiner, een zelfverbeterende computeragent die ontworpen is om door dit complexe financiële terrein te navigeren. In plaats van te vertrouwen op een menselijke expert die elke regel schrijft of een eenvoudig computerprogramma dat willekeurig formules raadt, werkt dit systeem als een nieuwsgierige onderzoeker die door de tijd heen ervaring opdoet. Het kernidee is om het werk van het denken te scheiden van het werk van het rekenen. De agent gebruikt een groot taalmodel om ideeën voor nieuwe formules te genereren, maar delegeert het daadwerkelijke testen van die formules aan een gespecialiseerde, snelle engine. Deze engine controleert of een formule werkt door naar echte marktgegevens te kijken, te meten hoe goed deze toekomstige rendementen voorspelt, en ervoor te zorgen dat deze niet te veel lijkt op de duizenden andere regels die al ontdekt zijn.
Wat dit systeem uniek maakt, is zijn geheugen. De meeste geautomatiseerde zoekmethoden vergeten wat ze in vorige sessies hebben geleerd, waardoor ze vaak tijd verspillen aan het herontdekken van doodlopende wegen of het herhaaldelijk genereren van dezelfde succesvolle patronen. FactorMiner houdt echter een gestructureerd verslag bij van zijn reis. Het slaat twee soorten inzichten op: succesvolle patronen, wat de soorten formulatiestructuren zijn die in het verleden goed hebben gewerkt, en verboden regio's, wat combinaties van ideeën zijn die consequent falen of te veel lijken op bestaande regels. Wanneer de agent een nieuwe zoektocht start, raadpleegt hij eerst dit geheugen. Het gebruikt de geschiedenis van wat wel en niet werkte om de volgende gissingen te sturen, waardoor de zoektocht effectief wordt vernauwd naar de meest veelbelovende gebieden, terwijl de overvolle, onproductieve gebieden worden vermeden.
De onderzoekers testten dit systeem op echte financiële gegevens, waaronder aandelen in China en diverse cryptovaluta. Ze ontdekten dat FactorMiner veel effectiever een bibliotheek van hoogwaardige, diverse regels kon opbouwen dan traditionele methoden. In hun experimenten produceerde het systeem een collectie van 110 onderscheidende regels die werden gevalideerd op echte marktgegevens. Deze regels waren niet alleen accuraat in het voorspellen van prijsbewegingen, maar waren ook verschillend van elkaar, wat betekent dat ze verschillende aspecten van het marktgedrag vastlegden in plaats van alleen hetzelfde signaal te herhalen. Het systeem slaagde erin om deze diversiteit te behouden naarm enkele groter werd, een prestatie waar veel andere geautomatiseerde methoden moeite mee hebben. Door zijn zoekstrategie continu te verfijnen op basis van wat het heeft geleerd, vermeed de agent de "correlatie rode zee" – een staat waarin nieuwe ontdekkingen slechts kopieën zijn van oude – en vond het in plaats daarvan verse, interpreteerbare inzichten.
Het proces werkt in een continue lus. De agent haalt relevante lessen op uit zijn geheugen, genereert een batch nieuwe kandidaatformules en voert deze door een rigoureuze, meerfasige evaluatie. Eerst filtert het systeem de overduidelijke mislukkingen snel uit. Vervolgens controleert het de overgebleven kandidaten tegen de bestaande bibliotheek om te garanderen dat ze niet te veel lijken op wat al bekend is. Als een nieuwe regel beter is dan een bestaande regel maar er te veel op lijkt, staat het systeem toe dat de nieuwe regel de oude vervangt, om de bibliotheek actueel te houden. Ten slotte ondergaan de meest veelbelovende regels een volledige, gedetailleerde validatie. De resultaten van dit hele proces worden vervolgens gedestilleerd naar het geheugen, waardoor het begrip van de agent over wat een goede of slechte zoekrichting is, wordt bijgewerkt. Deze cyclus zorgt ervoor dat het systeem evolueert en met elke ronde van ontdekking efficiënter en effectiever wordt.
De onderzoekers benadrukken dat deze aanpak een praktische oplossing biedt voor het vinden van nieuwe beleggingssignalen in een markt waar de gemakkelijke ontdekkingen al zijn gedaan. Door de creatieve generatie van ideeën te combineren met een gedisciplineerde, door geheugen gestuurde zoektocht, biedt FactorMiner een manier om de ontdekking van nuttige financiële regels te schalen zonder in te boeten op helderheid of diversiteit. Het systeem vertrouwt niet op opaak, "black-box"-modellen die onmogelijk te begrijpen zijn; in plaats daarvan produceert het heldere, voor mensen leesbare formules die gecontroleerd en vertrouwd kunnen worden. Dit werk demonstreert dat door een kunstmatige agent de mogelijkheid te geven om zijn ervaringen uit het verleden te onthouden en ervan te leren, het mogelijk is om de immense complexiteit van financiële markten te navigeren en waardevolle, interpreteerbare patronen te ontsluiten die voorheen buiten bereik lagen.
Verdrinkt u in papers in uw vakgebied?
Ontvang dagelijkse digests van de nieuwste papers die bij uw onderzoekswoorden passen — met technische samenvattingen, in uw taal.