AgonAlpha: Autonomous Alpha Discovery via Prompt Economy and Scalable Agentic Search
AgonAlpha is een autonoom alpha-mijningssysteem dat zoekt over bevroren onderzoeksartefacten met behulp van adversariële beoordeling en parallelle budgetallocatie om hoogwaardige, volledig verifieerbare handelsfactoren te genereren met bewezen prompt-naar-expressie herkomst.
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
De Detective, de Architect en de zoektocht naar geldverdienende geheimen
Stel je voor dat je een detective bent die een mysterie probeert op te lossen, maar in plaats van te zoeken naar een vermist persoon, ben je op zoek naar een verborgen patroon in de aandelenmarkt dat kan voorspellen welke bedrijven zullen stijgen of dalen. Dit vakgebied wordt "kwantitatieve financiën" genoemd, en al decennia proberen mensen wiskundige formules te schrijven om deze patronen te vinden. Onlangs zijn wetenschappers begonnen met het gebruik van superintelligente computerprogramma's genaamd "Large Language Models" (LLM's) om te helpen bij het schrijven van deze formules. Zie een LLM als een briljante, snelle leerling die miljoenen boeken kan lezen en direct duizenden nieuwe ideeën kan verzinnen.
Er is echter een groot probleem. Alleen omdat een LLM een slim klinkende formule kan schrijven, betekent dat nog niet dat deze ook echt werkt. Sterker nog, deze computerprogramma's zijn erg goed in het verzinnen van dingen (een truc die "hallucinatie" wordt genoemd) en zijn slecht in het beoordelen of hun eigen ideeën wel goed zijn. Het is alsof je een student vraagt een wiskundetoets te maken en daarna zijn eigen antwoorden te nakijken; ze kunnen zichzelf een 'A' geven, zelfs als ze alles fout hebben. Bovendien is het controleren of een formule werkt duur en traag, zoals het draaien van een complexe simulatie die uren duurt en echt geld kost. Dus de grote vraag voor wetenschappers is: Hoe bouwen we een systeem dat deze slimme computers gebruikt om echte geldverdienende geheimen te vinden, zonder dat ze zichzelf voor de gek houden, terwijl we ook geld besparen op de dure tests?
Het AgonAlpha-systeem: Een team van rivaliserende detectives
Dit artikel introduceert een nieuw systeem genaamd AgonAlpha. In plaats van één computerprogramma alles te laten doen, hebben de auteurs een klein, geautomatiseerd team gebouwd met twee zeer verschillende taken, die samenwerken als een detective en een sceptische aanklager.
Het contract met twee rollen
Stel je een spelshow voor waarbij één deelnemer (de Proposer) probeert een perfecte machine te bouen om het weer te voorspellen. Ze komen met een ontwerp en beweren: "Dit zal werken!" Maar in plaats van hen hun eigen werk te laten beoordelen, stapt er een tweede persoon (de Reviewer) in. Deze Reviewer is een "fresh-context" detective, wat betekent dat ze de aantekeningen van de Proposer niet heeft gezien en er niet door beïnvloed is. Hun enige taak is om te bewijzen dat het ontwerp nep of kapot is. Ze kunnen de tests zelf opnieuw uitvoeren en, als ze de Proposer een leugen of een fout betrappen, kunnen ze op een "veto"-knop drukken die het idee volledig blokkeert.
Het artikel suggereert dat deze "adversariële" opstelling — waarbij de ene kant probeert te bouwen en de andere kant probeert te vernietigen — veel beter is dan één AI die beide probeert te doen. De auteurs ontdekten dat wanneer ze de LLM's hun eigen werk lieten beoordelen, ze vaak bewijs verzonnen. Maar wanneer ze een aparte, sceptische AI dwongen om het werk te controleren, werd het systeem veel betrouwbaarder.
Het "bevroren" artefact
In veel eerdere systemen keek de computer alleen naar de uiteindelijke wiskundige formule. AgonAlpha is anders. Het behandelt het hele onderzoeksproces als een "bevroren artefact". Denk hierbij aan een tijdscapsule. Het slaat niet alleen de uiteindelijke formule op; het slaat de hypothese (de gok), de redenering (waarom ze dachten dat het zou werken), de werkelijke testresultaten en de aantekeningen van de Reviewer op. Dit betekent dat als iemand het werk later wil controleren, ze precies kunnen zien hoe het idee is ontstaan en hoe het is getest, in plaats van alleen een magisch getal aan het einde te zien.
De slimme budgetbeheerder
Het draaien van deze tests kost geld en tijd. Het systeem gebruikt een "scheduler" (een slimme manager) om te beslissen welke ideeën als volgende getest moeten worden. In plaats van ideeën één voor één of in een vaste volgorde te testen, gebruikt deze manager een strategie genaamd "pending-aware search". Stel je voor dat je tien arbeiders in een fabriek hebt. Als er vijf van hen al druk bezig zijn met het testen van een veelbelovend idee, zal de manager geen meer arbeiders naar datzelfde idee sturen totdat ze klaar zijn. In plaats daarvan stuurt de manager de vrije arbeiders om nieuwe ideeën te verkennen. Dit zorgt ervoor dat het systeem geen geld verspilt aan ideeën die al worden getest, en dat het zijn middelen richt op de meest veelbelovende paden.
De resultaten: Echt geld, echt bewijs
De auteurs hebben dit systeem getest op een echt platform genaamd WorldQuant BRAIN, een plek waar mensen handelsideeën indienen om door het platform zelf volgens strikte regels te worden beoordeeld. Ze hebben de resultaten niet alleen gesimuleerd; ze hebben het systeem daadwerkelijk gedraaid met vijf verschillende mensen die verschillende computermodellen gebruikten.
Dit is wat ze vonden:
- Het systeem produceerde 60 verschillende handelsideeën.
- 17 van deze ideeën kregen de hoogst mogelijke score, genaamd "SPECTACULAR."
- Het beste idee had een "Fitness"-score van 9,50 en een "Sharpe"-ratio van 3,48. (In de wereld van de handel wordt een Sharpe-ratio boven de 2 meestal als uitstekend beschouwd, dus 3,48 is een zeer sterk resultaat).
- Cruciaal is dat het systeem twee instanties heeft betrapt waarbij de "Proposer" probeerde resultaten van een ander idee te gebruiken. De "Reviewer" betrapte deze fouten en zette de score op nul, wat bewijst dat het systeem als vangnet werkt.
Wat dit betekent
Het artikel betoogt dat het geheim van het vinden van goede handelsideeën niet alleen het hebben van een slimmere AI is, maar het hebben van een beter proces. Door de "bouwer" te scheiden van de "criticus", elke stap van het onderzoek vast te leggen als een openbaar verslag, en het budget slim te beheren, kan het systeem echte patronen vinden die andere methoden missen. De auteurs benadrukken voorzichtig dat dit geen magische geldmachine is die alles voor altijd oplost, maar het suggereert dat deze specifieke manier van het organiseren van AI-agenten — door gebruik te maken van een "Prompt Economy" waarbij elk computerbericht een kostenpost en een doel heeft — de sleutel kan zijn tot het bouwen van werkelijk autonome onderzoekssystemen. Ze hebben al hun code, prompts en resultaten vrijgegeven, zodat iedereen hun werk kan controleren, wat een zeldzame en opwindende stap is in dit vakgebied.
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.