💰 quantitative finance

QRAFTI: An Agentic Framework for Empirical Research in Quantitative Finance

Dit paper introduceert QRAFTI, een multi-agent framework dat een kwantitatief onderzoeksteam nabootst om empirisch onderzoek naar aandelenfactoren op grote financiële datasets te ondersteunen door middel van geautomatiseerde toolgebruik, reflectiegebaseerde planning en gestandaardiseerde rapportage.

Oorspronkelijke auteurs: Terence Lim, Kumar Muthuraman, Michael Sury

Gepubliceerd 2026-04-21

📖 4 min leestijd☕ Koffiepauze-leesvoer

CC BY 4.0

Oorspronkelijke auteurs: Terence Lim, Kumar Muthuraman, Michael Sury

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

Stel je voor dat het doen van financieel onderzoek als een gigantische, complexe puzzel is. Normaal gesproken moet een team van slimme mensen (kwantitatieve onderzoekers) deze puzzel stuk voor stuk oplossen: ze zoeken naar ideeën, verzamelen bergen aan data, bouwen modellen, testen of die werken, en schrijven daarna een verslag. Het is veel werk, en als je één klein foutje maakt (zoals een verkeerde datum of een verkeerde berekening), kan het hele resultaat onjuist zijn.

QRAFTI is een nieuw digitaal systeem dat dit proces probeert te automatiseren met behulp van kunstmatige intelligentie (AI), maar dan op een heel slimme manier.

Hier is hoe het werkt, vertaald naar alledaagse taal:

1. Het is geen enkele robot, maar een heel team

Stel je een goed georganiseerd kantoor voor. In plaats van dat één persoon alles doet, heeft QRAFTI een team van gespecialiseerde "AI-medewerkers":

De Onderzoeker: Deze AI luistert naar wat je wilt (bijvoorbeeld: "Zoek een manier om winst te maken op aandelen die goedkoop zijn"). Hij breekt dit grote idee op in kleine, haalbare stappen.
De Risicomanager: Deze AI kijkt kritisch naar de plannen. Hij zegt: "Wacht even, die stap lijkt logisch, maar is dat wel veilig? Laten we het nog eens bekijken." Hij zorgt voor kwaliteit en controle.
De Programmeur: Als de standaardgereedschappen niet genoeg zijn, schrijft deze AI direct de code (de instructies) om de berekening te doen.

2. De "Werkbank" met gereedschappen

In plaats van dat de AI zomaar giswerk doet, heeft QRAFTI een gereedschapskist met bewezen methoden.

Stel je voor dat je een timmerman bent. Je hebt niet alleen een hamer, maar ook een zaag, een boor en een meetlint die allemaal perfect op elkaar zijn afgestemd.
QRAFTI gebruikt deze "gereedschappen" om data te schrapen, te sorteren en te wegen. Dit voorkomt dat de AI uitvindingen doet die al bekend zijn of fouten maakt in de basisberekeningen.

3. De "Reflectie": Denk eerst na, doe dan pas

Dit is misschien wel het slimste deel. Veel AI-systemen maken direct een fout omdat ze te snel zijn. QRAFTI gebruikt een techniek die we "nadenken voor het doen" noemen:

Het Plan: De AI schrijft een plan op.
De Kritiek: De AI kijkt naar haar eigen plan en vraagt: "Zit hier een fout in? Is dit haalbaar?"
De Verbetering: Pas als het plan klopt, voert de AI het uit.

Dit is alsof je een recept voor een taart schrijft, het eerst door een vriend laat lezen om te checken of je geen zout in plaats van suiker hebt gezet, en pas daarna begint met bakken.

4. Waarom is dit belangrijk?

In de financiële wereld is er een groot probleem: er zijn duizenden "factoren" (regels voor beleggen) die in het verleden hebben gewerkt, maar vaak blijken ze later toch niet te kloppen of zijn ze per ongeluk bedacht door toeval.

QRAFTI helpt om:

Herhaalbaarheid: Als een ander onderzoekster hetzelfde vraagt, krijgt hij exact hetzelfde resultaat. Geen gissen meer.
Transparantie: Je kunt precies zien welke stappen de AI heeft genomen. Het is alsof je een video-opname hebt van het hele denkproces, zodat je kunt zien waar het misging als dat gebeurt.
Nieuwe ideeën: Het systeem kan ook zelf nieuwe beleggingsideeën bedenken en die direct testen, net als een snelle, onfatsoenlijke onderzoeker die nooit slaapt.

Samenvattend

QRAFTI is als een super-assistent voor financiële onderzoekers. Het combineert de creativiteit van een mens met de precisie en de snelheid van een computer. Het zorgt ervoor dat de "rekenmachine" niet alleen snel telt, maar ook begrijpt waarom hij telt, en dat hij zijn werk eerst laat controleren voordat hij het resultaat presenteert.

Het doel is niet om mensen te vervangen, maar om hen te helpen om zich te concentreren op de grote vragen (de "waarom") terwijl de AI zich bezighoudt met de saaie, maar cruciale, rekenwerkjes (de "hoe").

Titel: QRAFTI: Een Agentic Framework voor Empirisch Onderzoek in de Quantitative Finance

1. Het Probleem

Kwantitatief financieel onderzoek is een meervoudig stadium proces dat ideeën genereert op basis van economische intuïtie, data verzamelt en schoonmaakt, signalen en factoren construeert, portefeuilles backtest, risico-aanpassingen doorvoert en robuustheidstests uitvoert. Dit proces is echter gevoelig voor implementatiekeuzes (zoals universe-screens, lag-conventies en wegingsregels), wat leidt tot een "factor zoo" waar veel gepubliceerde voorspellers kwetsbaar zijn voor data-mining bias en p-hacking.

Traditionele Large Language Models (LLMs) hebben moeite met lange, interafhankelijke workflows; ze verliezen vaak de draad van eerdere resultaten of evaluatiedoelen. Daarnaast zijn bestaande benaderingen vaak gebaseerd op dynamische codegeneratie, wat vatbaar is voor subtiele bugs en gebrek aan reproduceerbaarheid. Er is behoefte aan een systeem dat niet alleen factoren ontdekt, maar ook de volledige empirische werkstroom ondersteunt met een focus op reproduceerbaarheid, uitlegbaarheid en gestructureerde validatie.

2. Methodologie: Het QRAFTI Framework

QRAFTI ("Quantitative Research Assistants with Financial Tools and Intelligence") is een multi-agent systeem dat is ontworpen om de workflow van een kwantitatief onderzoeksteam te emuleren. Het combineert gespecialiseerde agents, een gestructureerde tool-interface en reflectie-gebaseerde planning.

A. Multi-Agent Architectuur
Het systeem bestaat uit drie gespecialiseerde agents met menselijke equivalenten:

Factor Research Agent ("Research Analyst"): Interpreteert natuurlijke taalverzoeken, deconstrueert taken, selecteert tools en beheert het pad voor factorconstructie.
Standardized Reporting Agent ("Risk Manager"): Genereert gestandaardiseerde diagnostische rapporten en narratieve analyses.
Code Writing Agent ("Quant Developer"): Schrijft en voert dynamisch Python-code uit wanneer de beschikbare tools ontoereikend zijn voor specifieke analyses of visualisaties.

B. Data en Tooling

Data Bronnen: Het systeem gebruikt CRSP (voor aandelenrendementen) en S&P Compustat (voor boekhoudkundige fundamenten). Een preprocessing-pipeline lost problemen op zoals survivorship bias, identifier-wijzigingen en corporate actions.
Panel Data Class: QRAFTI introduceert een Panel-klasse die data structureert als een $T \times N$ matrix (tijd $\times$ activa). Dit stelt agents in staat om operaties op een hoger abstractieniveau te specificeren (bijv. "pas elke maand een cross-sectionele transformatie toe").
MCP (Model Context Protocol): Tools worden blootgelegd via MCP als aanroepbare functies. Deze omvatten primitieve operaties, cross-sectionele transformaties (winsorization, quantile binning), tijdreeks-transformaties en portefeuilleconstructie.
Dynamische Code: Als ingebouwde tools niet volstaan, schrijft de Code Agent Python-code die direct op de Panel API werkt.

C. Planning en Reflectie
Om fouten in complexe workflows te minimaliseren, gebruikt QRAFTI een reflectie-gebaseerde planning (Self-Reflection Prompt) in drie fasen:

Fase 1 (Drafting): De agent stelt een sequentiële stappenplaat op.
Fase 2 (Critique): De agent beoordeelt het plan op technische uitvoerbaarheid en logische consistentie.
Fase 3 (Refinement): De agent past het plan aan op basis van de kritiek voordat er actie wordt ondernomen.

D. Context Compaction en Traceerbaarheid
Om contextverlies in lange gesprekken te voorkomen, wordt de geschiedenis samengevat tot een gestructureerd overzicht van berekende panel-identifiers en hun afhankelijkheden. Alle stappen worden vastgelegd in een computation graph (gericht acyclisch graf), wat volledige traceerbaarheid van ruwe input tot eindresultaat biedt.

3. Belangrijkste Bijdragen

Framework voor Empirisch Onderzoek: QRAFTI is het eerste framework dat specifiek is ontworpen om de volledige empirische asset-pricing werkstroom te ondersteunen, van idee tot gestandaardiseerd rapport.
Tool-Geaugmenteerde Agents: In plaats van alleen code te genereren, prioriteert het systeem het gebruik van geverifieerde, gestandaardiseerde tools voor financiële berekeningen, wat de foutmarge verkleint.
Reflectie-gebaseerde Planning: De implementatie van een expliciete kritiek-fase in de planning van agents verbetert de nauwkeurigheid van meervoudige stappen aanzienlijk.
Standaardisatie en Reproduceerbaarheid: Door het gebruik van een gestandaardiseerde rapportage-agent en computationele traces, maakt QRAFTI onderzoek makkelijker te auditeren en te repliceren dan traditionele methoden.

4. Resultaten en Evaluatie

De auteurs hebben QRAFTI getest door bestaande factoren te repliceren (zoals de HML value factor van Fama-French en prijsmomentum van Jensen et al.) en nieuwe factoren te genereren.

Replicatie: Het systeem slaagde erin om factoren te reconstrueren die sterk overeenkwamen met referentie-implementaties (gemeten via Cosine Similariteit). De resultaten lagen dicht bij de 45-graden lijn in scatterplots tegenover benchmark data.
Ablatie Studies (Tabel 1):
- Tools vs. Alleen Code: Voor complexe taken (multi-step) presteerde de configuratie met "Alle Tools" aanzienlijk beter dan alleen dynamische codegeneratie. Bij multi-step taken zonder reflectie-planning was de prestatie matig (Sim@1 van 0.74), maar met reflectie-planning steeg dit naar 0.99.
- Reflectie: Reflectie-planning was cruciaal voor meervoudige stappen; zonder deze stap nam de nauwkeurigheid drastisch af bij complexere taken.
Nieuwe Factoren: Het systeem kon succesvol een "Buffett-stijl" factor genereren (een combinatie van kwaliteit en waarde) en deze evalueren via het gestandaardiseerde diagnostische kader, inclusief een analyse van de Sharpe-ratio en alfa na risicocorrectie.

5. Betekenis en Conclusie

QRAFTI markeert een verschuiving in kwantitatief onderzoek: van handmatige data-manipulatie en codering naar het ontwerpen en beheren van agente assistenten.

Reproduceerbaarheid: Door elke stap te loggen en te visualiseren in een computation graph, worden "black box" analyses vermeden.
Efficiëntie: AI kan repetitieve taken (data cleaning, factor construction, backtesting) overnemen, waardoor menselijke onderzoekers zich kunnen concentreren op onderzoekdesign, validatie en economische interpretatie.
Toekomstperspectief: Hoewel QRAFTI een sterke basis legt, is verdere evaluatie nodig over een breder scala aan datasets en taken om de robuustheid volledig te beoordelen. Het systeem fungeert momenteel als een "toezichthoudend onderzoeksassistent" in plaats van een volledig autonome beslisser.

Kortom, QRAFTI demonstreert dat agentic AI-systemen, wanneer ze zijn gebaseerd op gestructureerde tools en reflectieve planning, de reproduceerbaarheid en uitlegbaarheid van empirisch financieel onderzoek aanzienlijk kunnen verbeteren.