🤖 AI

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

Het artikel introduceert AlphaCrafter, een multi-agent framework dat de betrouwbaarheid, controleerbaarheid en verifieerbaarheid van kwantitatieve handel verbetert door losse natuurlijke taal-workflows te vervangen door een gestructureerd, harness-gestuurd ontwerp met programmeerbare beleidsspecificaties en expliciete verificatiemechanismen, wat volgens empirische resultaten leidt tot superieure risico-gecorrigeerde rendementen met een lagere variantie.

Oorspronkelijke auteurs: Yishuo Yuan, Jiayi Sheng, Sirui Zeng, Jiaqi Wang, Jiaheng Liu

Gepubliceerd 2026-07-29

📖 7 min leestijd🧠 Diepgaand

CC BY 4.0

Oorspronkelijke auteurs: Yishuo Yuan, Jiayi Sheng, Sirui Zeng, Jiaqi Wang, Jiaheng Liu

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 een wereld voor waarin computers niet alleen een rigide recept volgen, maar ook echt kunnen "nadenken" over hoe ze complexe problemen oplossen. Dit is het domein van Artificiële Intelligentie (AI), specifiek een tak genaamd Kwantitatieve Handel. Denk hierbij aan een high-stakes videospel waarbij het doel is om te voorspellen welke aandelen zullen stijgen of dalen om geld te verdienen. Decennialang hebben mensen strikte computerprogramma's geschreven om dit te doen, maar de markt is als een chaotische oceaan — stormen veranderen, stromingen verschuiven en oude kaarten leiden vaak tot schipbreuken. Recentelijk zijn wetenschappers begonnen met het gebruik van Large Language Models (LLM's), wat superintelligente AI-hersenen zijn die getraind zijn op bijna alle tekst ter wereld, om als handelaren op te treden. Het idee is dat deze AI-hersenen nieuws kunnen lezen, patronen kunnen begrijpen en beslissingen kunnen nemen beter dan een statisch computerprogramma. Er is echter een addertje onder het gras: als je een AI simpelweg vraagt om "voor mij te handelen", kan het in de war raken, hallucineren of elke keer anders reageren als je het vraagt, wat het te riskant maakt om met echt geld te vertrouwen.

Dit is waar een nieuw artikel van onderzoekers aan de Nanjing University met een slimme oplossing komt. Ze introduceren AlphaCrafter, een systeem dat de AI niet zomaar laat "improviseren". In plaats daarvan hebben ze een strikt "tuig" (harness) rond de AI gebouwd, zoals een veiligheidskooi voor een wild dier of een regelboek voor een chaotisch spel. Ze ontdekten dat door de AI te dwingen een gestructureerde, stapsgewijze workflow te volgen met ingebouwde controles en evenwichten, het systeem veel betrouwbaarder wordt. Hun experimenten suggerieën dat deze "harness-gestuurde" aanpak de AI helpt om consequent betere winstgevende beslissingen te nemen met minder risico op een crash, zelfs wanneer de markt hectisch wordt. Het is een beetje alsof je beseft dat een genie als chef een strikt, geverifieerd recept en een inspecteur voor veiligheid geven beter is dan alleen zeggen: "Ga iets lekkers koken," en dan maar hopen op het beste.

Het Probleem: De "Losse Prompt" Valstrik

Stel je voor dat je een zeer intelligente maar licht chaotische vriend vraagt om een enorm feest te organiseren. Als je alleen zegt: "Maak het geweldig!" (een "loose prompt"), kan hij de ene dag met een clown, een jazzband en een pizza-oven verschijnen, maar de stoelen vergeten. Hij kan de ene dag een geweldig werk leveren en de volgende dag een verschrikkelijk werk, afhankelijk van zijn stemming. In de wereld van AI-handel werken veel bestaande systemen op deze manier. Ze vertrouwen op eenvoudige tekstinstructies om de AI te vertellen wat hij moet doen. Het probleem is dat deze AI-hersenen onvoorspelbaar kunnen zijn. Ze kunnen een regel vergeten, halverwege van gedachten veranderen of anders handelen afhankelijk van welk specifiek AI-model je gebruikt. In de aandelenmarkt, waar miljoenen dollars op het spel staan, is dit "losse" gedrag gevaarlijk. Het leidt tot inconsistente resultaten en maakt het onmogelijk om het systeem op de lange termijn te vertrouwen.

De Oplossing: AlphaCrafters "Harness"

De onderzoekers achter AlphaCrafter besloten de AI niet langer te behandelen als een vrijgeestige kunstenaar, maar als een gedisciplineerde werker in een fabriek. Ze bouwden een multi-agent framework, wat betekent dat ze niet alleen één AI hadden die alles deed. In plaats daarvan creëerden ze een team van gespecialiseerde AI-agents, elk met een specifieke taak, en plaatsten ze een "harness" rond elke agent.

Zie deze harness als een veiligheidsgordel voor een klimmer. Het stopt de klimmer niet met bewegen; het zorgt er alleen voor dat hij niet van de klif valt als hij uitglijdt. In AlphaCrafter bevat de harness:

Programmeerbare Policies: Strikte regels die de AI moet volgen.
Executiebeperkingen: Limieten aan wat de AI mag doen.
Verificatiemechanismen: Automatische controles om te controleren of de AI geen fouten heeft gemaakt.

Dit systeem is verdeeld in drie hoofd-"harnesses" die samenwerken in een lus:

De Miner (De Factor Hunter): Stel je een goudzoeker voor. De taak van deze AI-agent is om nieuwe "factoren" uit te vinden. In de handel is een factor een aanwijzing of signaal dat kan voorspellen of een aandeel zal stijgen (zoals "aandelen met lage prijzen hebben de neiging te stijgen"). De Miner genereert duizenden van deze aanwijzingen, maar houdt ze niet allemaal aan. Het onderwerpt ze aan een strenge test. Als een aanwijzing in het verleden niet goed werkt, gooit de harness deze weg. Alleen de beste, meest betrouwbare aanwijzingen worden aan de bibliotheek toegevoegd.
De Screener (De Regime Detective): Stel je een weervoorspeller voor. De markt verandert van "regimes" (zoals zonnige dagen, stormen of mist). Een aanwijzing die werkt in een kalme markt, kan falen in een storm. De Screener kijkt naar de huidige marktomstandigheden, vraat de AI: "Wat voor weer is het?", en kiest vervolgens alleen de aanwijzingen die goed werken voor het weer van vandaag. Het filtert de slechte eruit en groepeert de goede aanwijzingen samen.
De Trader (De Executie-Piloot): Dit is de piloot die het vliegtuig bestuurt. Het neemt de lijst met goede aanwijzingen van de Screener en beslist precies hoeveel geld er op elke aanwijzing wordt ingezet. Het draait simulaties (zoals een vluchtsimulator) om verschillende strategieën te testen. Het kiest alleen de strategie die de beste opbrengst belooft met het minste risico, en voert vervolgens de transactie uit.

Wat Ze Vonden: Stabiliteit is de Nieuwe Superkracht

De onderzoekers testten AlphaCrafter op twee enorme aandelenmarkten: de CSI 300 (de top 300 bedrijven in China) en de S&P 500 (de top 500 bedrijven in de VS). Ze vergeleken hun systeem met andere methoden, inclusief oude wiskundige formules, standaard machine learning en andere AI-handelbots die dit "harness"-systeem niet gebruiken.

De resultaten waren duidelijk. Terwijl andere AI-systemen als een achtbaan waren — soms met enorme winsten en op andere momenten harde crashes — was AlphaCrafter stabiel.

Betere Rendementen: AlphaCrafter maakte consequent meer geld dan de meeste andere methoden, met een Sharpe Ratio (een score die meet hoeveel winst je maakt voor het risico dat je neemt) van ongeveer 1,67 op de Chinese markt en 1,34 op de Amerikaanse markt in hun beste tests.
Minder Chaos: De grootste winst was niet alleen het maken van geld; het was het betrouwbaar maken van winst. Wanneer de onderzoekers dezelfde test 10 keer uitvoerden, waren de resultaten van AlphaCrafter bijna identiek elke keer. Andere AI-systemen varieerden enorm; één run was geweldig, de volgende verschrikkelijk. De "harness" van AlphaCrafter hield de AI op koers, ongeacht welke specifieke AI-hersenen (zoals GPT, Claude of Gemini) binnen het systeem werden gebruikt.
Overleven van de Storm: Ze keken ook naar "Alpha Decay", wat gebeurt wanneer een handelsaanwijzing niet meer werkt omdat iedereen het al doorheeft. De Miner van AlphaCrafter bleef nieuwe aanwijzingen vinden om de oude te vervangen, waardoor het systeem fris en effectief bleef, terwijl andere systemen zagen dat hun prestaties daalden naarmate de markt veranderde.

De Conclusie

Het artikel suggereert dat het geheim om AI een betrouwbare handelaar te maken niet alleen is om de AI "slimmer" te maken. Het is het bouwen van een betere structuur eromheen. Door de AI te omwikkelen met een harness die het dwingt om regels te volgen, het eigen werk te controleren en zich te specialiseren in specifieke taken, transformeert AlphaCrafter een chaotische, onvoorspelbare AI in een gedisciplineerde, betrouwbare handelspartner. Het bewijst dat in het hoogstaande spel van de financiële wereld, een goed georganiseerd team met een vangnet veel krachtiger is dan een eenzame genie met een los plan. Deze aanpak levert niet alleen geld op; het maakt het hele proces veiliger, transparanter en gemakkelijker te vertrouwen.

Technische Samenvatting: AlphaCrafter

Probleemstelling

Kwantitatieve handelsagents hebben veelbelovende resultaten getoond bij het automatiseren van factorontdekking, signaalaggregatie en portfolio-executie. Bestaande agent-gebaseerde systemen vertrouwen echter overwegend op vaag gespecificeerde workflows in natuurlijke taal. Deze aanpak leidt tot verschillende kritieke tekortkomingen:

Ondoorzichtige Redenering: Het besluitvormingsproces mist transparantie.
Inconsistentie: Gedragingen variëren aanzienlijk tussen verschillende foundation models en herhaalde executies.
Beperkte Controleerbaarheid en Verifieerbaarheid: Het gebrek aan expliciete beperkingen introduceert aanzienlijke risico's in financiële besluitvorming, met name bij langetermijnhandel waarbij aanhoudende consistentie even cruciaal is als voorspellende nauwkeurigheid.

Traditionele kwantitatieve strategieën, die geëvolueerd zijn van klassieke factormodellen naar machine learning en deep learning, opereren onder een statische ontwerpfilosofie die handmatige interventie vereist wanneer de marktdynamiek verandert. Hoewel Large Language Model (LLM) agents automatisering bieden, missen de huidige implementaties vaak de expliciete executiebeleid en verificatiemechanismen die nodig zijn voor betrouwbare, reproduceerbare financiële toepassingen.

Methodologie: AlphaCrafter Framework

Om deze beperkingen aan te pakken, stellen de auteurs AlphaCrafter voor, een harness-gestuurd multi-agent framework voor cross-sectionele kwantitatieve handel. In plaats van agentgedrag te behandelen als ongecontroleerde prompt-executie, kapselt AlphaCrafter elke agent in binnen een gestructureerde execution harness (executie-harnas). Dit harnas integreert programmeerbare beleidsspecificaties, executiebeperkingen en expliciete verificatiemechanismen, waardoor de handels-pipeline wordt getransformeerd in een sequentie van goed gedefinieerde, reproduceerbare en controleerbare besluitvormingsprocessen.

Het framework opereert op een geformaliseerde handelsomgeving $E = (T, M, Z, \Pi)$ en maakt gebruik van twee vormen van geheugen: In-context Memory voor directe situationele bewustwording en Persistent Long-Term Memory als een gedeelde repository voor het handelsverloop. Het systeem bestaat uit drie gespecialiseerde agent-clusters, elk beheerd door een specifiek harness-beleid:

1. Miner Cluster Harness ( $P_M$ )

Functie: Autonome factorgeneratie, rigoureuze validatie en continue bibliotheekonderhoud.
Mechanisme:
- Een LLM genereert kandidaat-factorexpressies op basis van de huidige marktomstandigheden.
- Kandidaten worden gevalideerd tegen historische data met behulp van een uitgebreide set metrieken: Information Coefficient (IC), Rank IC, IC Information Ratio (ICIR), hit ratio, dekking en omloopsnelheid over meerdere voorspellingshorizonten.
- Algoritme 1 details het beleid: Valide factoren worden toegevoegd aan de bibliotheek $Z$ . Bestaande factoren worden periodiek opnieuw gevalideerd; degenen die prestatie-afname vertonen, worden verwijderd.
- Dit zorgt ervoor dat de factorbibliotheek dynamisch en adaptief blijft aan evoluerende marktregimes.

2. Screener Harness ( $P_S$ )

Functie: Destilleert een coherent factor-ensemble door signalen af te stemmen op de heersende marktregimes.
Mechanisme:
- Haalt marktinformatie op via toegewezen tools en gebruikt een LLM om het huidige marktregime te diagnosticeren (trend, volatiliteit, correlatiestructuur).
- Filtert factoren uit de bibliotheek op basis van semantische relevantie voor het gediagnosticeerde regime.
- Berekent een geschiktheidsscore op basis van recente voorspellende prestaties (gemiddelde Rank IC).
- Handhaaft diversiteit door factoren af te wijzen die semantisch vergelijkbaar zijn met reeds geselecteerde factoren (met behulp van LLM-gebaseerde gelijkenisbeoordeling).
- Wijst directionele gewichten toe om een gediversifieerd ensemble te vormen dat is afgestemd op de huidige marktdynamiek.

3. Trader Harness ( $P_T$ )

Functie: Componeert en voert de handelsstrategie uit.
Mechanisme:
- Neemt het factor-ensemble en de regime-beoordeling als input.
- Samplet hyperparameter-configuraties (bijv. long/short intensiteit, positiegrootte) geconditioneerd op het marktregime.
- Genereert uitvoerbare strategiecode door een referentie top-K long-short portfolio-constructiemechanisme te instantiëren.
- Algoritme 3 schetst het proces: Kandidaten worden geëvalueerd via backtesting. De configuratie die de Sharpe-ratio maximaliseert terwijl aan risicobeperkingen (bijv. maximale drawdown, minimaal rendement) wordt voldaan, wordt geselecteerd.
- De optimale strategie wordt uitgevoerd op live marktdata.

Belangrijkste Bijdragen

Harness-gestuurde Agent-executie: Het artikel presenteert het eerste harness-gestuurde multi-agent framework voor cross-sectionele kwantitatieve handel. Het vervangt vaag gespecificeerde prompt-gestuurde workflows door programmeerbare executiebeleid, expliciete gedragsbeperkingen en verificatiemechanismen, wat een controleerbare en reproduceerbare agent-executie mogelijk maakt.
Robuuste Prestaties op Lange Termijn: Uit uitgebreide experimenten blijkt dat het harness-gestuurde ontwerp superieure risico-gecorrigeerde rendementen oplevert met aanzienlijk lagere cross-model en cross-trial variantie vergeleken met state-of-the-art baselines.

Experimentele Resultaten

Het framework werd geëvalueerd op de CSI 300 (Chinese A-shares) en S&P 500 (Amerikaanse aandelen) markten met data die loopt van 2016 tot medio 2026 (inclusief een live handelsfase).

Prestatie-metrieken: AlphaCrafter behaalde consistent een hogere Annualized Return (AR), Sharpe Ratio (SR) en een lagere Maximum Drawdown (MDD) vergeleken met traditionele indicatoren (MACD, Grid Trading), machine learning modellen (LightGBM, XGBoost, LSTM, Transformer) en andere agent-gebaseerde methoden (TradingAgents, TradingGroup, RD-Agent, AlphaAgent).
Stabiliteit:
- Trial Stabiliteit: AlphaCrafter vertoonde de kleinste cross-trial variantie en de hoogste minimale rendementen over 10 onafhankelijke backtesting trials, wat duidt op een lager tail-risico.
- Model Stabiliteit: Het framework behield consistente prestatieprofielen over drie verschillende backbone LLM's (GPT 5.3 Codex, Claude Opus 4.6, Gemini 3.1 Pro), wat aantoont dat het harness de effectiviteit effectief ontkoppelt van het specifieke onderliggende model.
Mitigatie van Alpha Decay: In tegen tegenover statische factor-sets (zoals de Alpha158 global top20), die in de loop van de tijd te maken hadden met ernstige volatiliteit en negatieve IC-waarden, behield AlphaCrafter stabiele IC-niveaus (~0.02) over semi-jaarlijkse perioden. Dit bevestigt de effectiviteit van de adaptieve bibliotheek-instandhouding en de op regularisatie gebaseerde zoektocht bij het beperken van alpha decay.
Ablatie-studies: Het verwijderen van een component (Miner, Screener of Trader) of het reduceren van het systeem tot een Single-Agent model resulteerde in verminderde prestaties, hogere variantie en grotere drawdowns. Dit valideert de noodzaak van het multi-agent, modulaire harness-ontwerp voor context-isolatie en gefocuste executie.

Betekenis en Claims

Het artikel claimt dat AlphaCrafter een praktisch fundament biedt voor het bouwen van meer betrouwbare, controleerbare en robuuste multi-agent systemen voor kwantitatieve handel.

Van Impliciet naar Expliciet: De kernbetekenis ligt in de verschuiving van agent-ontwerp van impliciete, prompt-gestuurde processen naar expliciete, verifieerbare computationele workflows. Het "harnas" rond de LLM wordt geponeerd als even cruciaal als het model zelf voor het oplossen van complexe, langdurige taken.
Reproduceerbaarheid: Door agents in gestructureerde beleid te kapselen, zorgt het systeem ervoor dat handels-pipelines controleerbaar en reproduceerbaar zijn, waarmee een groot gat in huidige LLM-gebaseerde financiële toepassingen wordt gedicht.
Risicobewustzijn: Casestudies geven aan dat het geïntegreerde harness-systeem een intrinsiek risicobewustzijn vertoont, waarbij de positie-expositie dynamisch wordt aangepast in reactie op marktvolatiliteit zonder expliciete volatiliteits-targeting regels; dit ontstaat voort uit de gecoördineerde beperkingen van de Miner, Screener en Trader.

De auteurs concluderen dat gedisciplineerd harness-gebaseerd ontwerp een levensvatbaar pad is naar geautomatiseerde handelsystemen die kunnen adapteren aan evoluerende marktomstandigheden terwijl de strengheid behouden blijft die vereist is voor financiële besluitvorming.