🤖 AI

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

O artigo apresenta o AlphaCrafter, um framework multiagente que aumenta a confiabilidade, a controlabilidade e a verificabilidade do trading quantitativo ao substituir fluxos de trabalho de linguagem natural frouxos por um design estruturado e orientado por mecanismos de contenção (harness-driven), apresentando especificações de política programáveis e mecanismos de verificação explícitos, o que, conforme mostram os resultados empíricos, leva a retornos ajustados ao risco superiores com menor variância.

Autores originais: Yishuo Yuan, Jiayi Sheng, Sirui Zeng, Jiaqi Wang, Jiaheng Liu

Publicado 2026-07-29

📖 7 min de leitura🧠 Leitura aprofundada

CC BY 4.0

Autores originais: Yishuo Yuan, Jiayi Sheng, Sirui Zeng, Jiaqi Wang, Jiaheng Liu

Artigo original sob licença CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Esta é uma explicação gerada por IA do artigo abaixo. Não foi escrita nem endossada pelos autores. Para precisão técnica, consulte o artigo original. Ler aviso legal completo

Imagine um mundo onde os computadores não apenas seguem uma receita rígida, mas podem realmente "pensar" sobre como resolver problemas complexos. Este é o reino da Inteligência Artificial (IA), especificamente um ramo chamado Negociação Quantitativa (Quantitative Trading). Pense nisso como um videogame de alto risco onde o objetivo é prever quais ações vão subir ou descer para ganhar dinheiro. Por décadas, humanos escreveram programas de computador estritos para fazer isso, mas o mercado é como um oceano caótico — tempestades mudam, correntes se deslocam e mapas antigos costumam levar a naufrágios. Recentemente, cientistas começaram a usar Modelos de Linguagem de Grande Escala (LLMs), que são cérebros de IA superinteligentes treinados em quase todo o texto do mundo, para atuar como negociantes. A ideia é que esses cérebros de IA possam ler notícias, entender padrões e tomar decisões melhor do que um programa de computador estático. No entanto, há uma pegadinha: se você apenas pedir a uma IA para "negocie para mim", ela pode ficar confusa, alucinar ou agir de forma diferente toda vez que você perguntar, tornando-se perigosa demais para confiar com dinheiro real.

É aqui que um novo artigo de pesquisadores da Universidade de Nanjing entra com uma solução inteligente. Eles introduzem o AlphaCrafter, um sistema que não deixa a IA "agir por conta própria". Em vez disso, eles construíram um "arnês" (harness) rigoroso ao redor da IA, como uma gaiola de segurança para um animal selvagem ou um livro de regras para um jogo caótico. Eles descobriram que, ao forçar a IA a seguir um fluxo de trabalho estruturado, passo a passo, com verificações e equilíbrios integrados, o sistema torna-se muito mais confiável. Seus experimentos sugerem que essa abordagem "orientada pelo arnês" ajuda a IA a tomar decisões de geração de lucro de forma consistente e com menos risco de colapso, mesmo quando o mercado fica louco. É um pouco como perceber que dar a um chef genial uma receita estrita e verificada e um inspetor de segurança é melhor do que apenas dizer a ele: "Vá cozinhar algo delicioso", e esperar pelo melhor.

O Problema: A Armadilha do "Prompt Solto"

Imagine que você pede a um amigo muito inteligente, mas um pouco caótico, para organizar uma festa enorme. Se você apenas disser: "Faça algo incrível!" (um "prompt solto"), ele pode aparecer com um palhaço, uma banda de jazz e um forno de pizza, mas esquecer as cadeiras. Ele pode fazer um ótimo trabalho um dia e um trabalho terrível no outro, dependendo do humor dele. No mundo da negociação de IA, muitos sistemas existentes funcionam assim. Eles dependem de instruções de texto simples para dizer à IA o que fazer. O problema é que esses cérebros de IA podem ser imprevisíveis. Eles podem esquecer uma regra, mudar de ideia no meio do caminho ou agir de forma diferente dependendo de qual modelo de IA específico você usa. No mercado de ações, onde milhões de dólares estão em jogo, esse comportamento "solto" é perigoso. Isso leva a resultados inconsistentes e torna impossível confiar no sistema a longo prazo.

A Solução: O "Arnês" do AlphaCrafter

Os pesquisadores por trás do AlphaCrafter decidiram parar de tratar a IA como um artista de espírito livre e começar a tratá-la como um trabalhador disciplinado em uma fábrica. Eles construíram um framework multiagente, o que significa que não tiveram apenas uma IA fazendo tudo. Em vez disso, criaram uma equipe de agentes de IA especializados, cada um com um trabalho específico, e colocaram um "arnês" ao redor de cada um.

Pense neste arnês como um equipamento de segurança para um escalador. Ele não impede o escalador de se mover; apenas garante que ele não caia do penhasco se escorregar. No AlphaCrafter, o arnês inclui:

Políticas Programáveis: Regras estritas que a IA deve seguir.
Restrições de Execução: Limites no que a IA pode fazer.
Mecanismos de Verificação: Verificações automáticas para garantir que a IA não cometeu um erro.

Este sistema é dividido em três "arneses" principais que trabalam juntos em um ciclo:

O Minerador (O Caçador de Fatores): Imagine um garimpeiro procurando ouro. O trabalho deste agente de IA é inventar novos "fatores". Na negociação, um fator é uma pista ou um sinal que pode prever se uma ação vai subir (como "ações com preços baixos tendem a subir"). O Minerador gera milhares desses sinais, mas não os mantém todos. Ele os submete a um teste rigoroso. Se uma pista não funcionar bem no passado, o arnês a descarta. Apenas as pistas melhores e mais confiáveis são adicionadas à biblioteca.
O Filtro (O Detetive de Regimes): Imagine um meteorologista. O mercado muda de "regimes" (como dias ensolarados, tempestades ou neblina). Uma pista que funciona em um mercado calmo pode falhar em uma tempestade. O Filtro observa as condições atuais do mercado, pergunta à IA: "Que tipo de tempo é hoje?" e então escolhe apenas as pistas que funcionam bem para o tempo de hoje. Ele filtra as ruins e agrupa as boas.
O Negociante (O Piloto de Execução): Este é o piloto voando o avião. Ele pega a lista de boas pistas do Filtro e decide exatamente quanto dinheiro apostar em cada uma. Ele executa simulações (como um simulador de voo) para testar diferentes estratégias. Ele só escolhe a estratégia que promete o melhor retorno com o menor risco e, então, executa a negociação.

O Que Eles Descobriram: Estabilidade é o Novo Superpoder

Os pesquisadores testaram o AlphaCrafter em dois grandes mercados de ações: o CSI 300 (as 300 principais empresas da China) e o S&P 500 (as 500 principais empresas dos EUA). Eles compararam seu sistema com outros métodos, incluindo fórmulas matemáticas tradicionais, aprendizado de máquina padrão e outros bots de negociação de IA que não utilizavam este sistema de "arnês".

Os resultados foram claros. Enquanto outros sistemas de IA eram como uma montanha-russa — às vezes atingindo lucros enormes e outras vezes sofrendo quedas bruscas — o AlphaCrafter era estável.

Melhores Retornos: O AlphaCrafer consistentemente ganhou mais dinheiro do que a maioria dos outros métodos, com um Índice de Sharpe (uma pontuação que mede quanto lucro você obtém para o risco que assume) de cerca de 1,67 no mercado chinês e 1,34 no mercado americano em seus melhores testes.
Menos Caos: A maior vitória não foi apenas ganhar dinheiro; foi ganhar dinheiro de forma confiável. Quando os pesquisadores rodaram o mesmo teste 10 vezes, os resultados do AlphaCrafter foram quase idênticos todas as vezes. Outros sistemas de IA variaram drasticamente; uma execução poderia ser ótima, a próxima terrível. O "arnês" do AlphaCrafter manteve a IA no caminho certo, não importa qual cérebro de IA específico (como GPT, Claude ou Gemini) fosse usado dentro do sistema.
Sobrevivendo à Tempestade: Eles também observaram o "Alpha Decay" (decaimento do Alpha), que é quando uma pista de negociação para de funcionar porque todos os outros a descobriram. O Minerador do AlphaCrafter continuou encontrando novas pistas para substituir as antigas, mantendo o sistema atualizado e eficaz ao longo do tempo, enquanto outros sistemas viram seu desempenho cair conforme o mercado mudava.

A Conclusão

O artigo sugere que o segredo para tornar a IA um negociante confiável não é apenas tornar a IA "mais inteligente". É construir uma melhor estrutura ao redor dela. Ao envolver a IA em um arnês que a força a seguir regras, verificar seu próprio trabalho e se especializar em tarefas específicas, o AlphaCrafter transforma uma IA caótica e imprevisível em um parceiro de negociação disciplinado e confiável. Ele prova que, no jogo de alto risco das finanças, uma equipe bem organizada com uma rede de segurança é muito mais poderosa do que um gênio solitário com um plano frouxo. Essa abordagem não apenas ganha dinheiro; torna todo o processo mais seguro, transparente e fácil de confiar.

Resumo Técnico: AlphaCrafter

Definição do Problema

Agentes de negociação quantitativa têm demonstrado promessa na automação da descoberta de fatores, agregação de sinais e execução de portfólio. No entanto, os sistemas baseados em agentes existentes dependem predominantemente de fluxos de trabalho de linguagem natural vagamente especificados. Essa abordagem leva a várias deficiências críticas:

Raciocínio Opaco: O processo de tomada de decisão carece de transparência.
Inconsistência: Os comportamentos variam significativamente entre diferentes modelos de fundação e execuções repetidas.
Controle e Verificabilidade Limitados: A falta de restrições explícitas introduz riscos significativos na tomada de decisões financeiras, particularmente em negociações de longo horizonte, onde a consistência sustentada é tão crítica quanto a precisão preditiva.

As estratégias quantitativas tradicionais, evoluindo de modelos de fatores clássicos para aprendizado de máquina e aprendizado profundo, operam sob uma filosofia de design estática que exige intervenção manual quando a dinâmica do mercado muda. Embora os agentes de Grandes Modelos de Linguagem (LLM) ofereçam automação, as implementações atuais frequentemente carecem das políticas de execução explícitas e dos mecanismos de verificação necessários para aplicações financeiras confiáveis e reproduzíveis.

Metodologia: Estrutura AlphaCrafter

Para enfrentar essas limitações, os autores propõem o AlphaCrafter, uma estrutura de múltiplos agentes orientada por harness (suporte/harness) para negociação quantitativa transversal. Em vez de tratar o comportamento do agente como uma execução de prompt sem restrições, o AlphaCrafter encapsula cada agente dentro de um harness de execução estruturado. Este harness integra especificações de política programáveis, restrições de execução e mecanismos de verificação explícitos, transformando o pipeline de negociação em uma sequência de processos de decisão bem definidos, reproduzíveis e auditáveis.

A estrutura opera em um ambiente de negociação formalizado $E = (T, M, Z, \Pi)$ e utiliza duas formas de memória: Memória de Contexto para consciência situacional imediata e Memória Persistente de Longo Prazo como um repositório compartilhado para a trajetória de negociação. O sistema compreende três clusters especializados de agentes, cada um governado por uma política de harness específica:

1. Cluster de Miner (Miner Cluster Harness - $P_M$ )

Função: Geração autônoma de fatores, validação rigorosa e manutenção contínua da biblioteca.
Mecanismo:
- Um LLM gera expressões de candidatos a fatores com base nas condições atuais do mercado.
- Os candidatos são validados contra dados históricos usando um conjunto abrangente de métricas: Coeficiente de Informação (IC), Rank IC, Razão de Informação de IC (ICIR), taxa de acerto (hit ratio), cobertura e turnover através de múltiplos horizontes de previsão.
- O Algoritmo 1 detalha a política: Fatores válidos são adicionados à biblioteca $Z$ . Fatores existentes são periodicamente revalidados; aqueles que exibem decaimento de desempenho são podados.
- Isso garante que a biblioteca de fatores permaneça dinâmica e adaptável aos regimes de mercado em evolução.

2. Harness de Screener ( $P_S$ )

Função: Destila um ensemble coerente de fatores ao alinhar sinais com os regimes de mercado predominantes.
Mecanismo:
- Recupera informações de mercado via ferramentas dedicadas e usa um LLM para diagnosticar o regime de mercado atual (tendência, volatilidade, estrutura de correlação).
- Filtra fatores da biblioteca com base na relevância semântica para o regime diagnosticado.
- Computa uma pontuação de adequação baseada no desempenho preditivo recente (média do Rank IC).
- Impõe diversidade ao rejeitar fatores que são semanticamente similares aos já selecionados (usando avaliação de similaridade baseada em LLM).
- Atribui pesos direcionais para formar um ensemble diversificado sintonizado com a dinâmica atual do mercado.

3. Harness de Trader ( $P_T$ )

Função: Compõe e executa a estratégia de negociação.
Mecanismo:
- Recebe o ensemble de fatores e a avaliação do regime como entradas.
- Amostra configurações de hiperparâmetros (ex: intensidade long/short, dimensionamento de posição) condicionadas ao regime de mercado.
- Gera código de estratégia executável ao instanciar um mecanismo de construção de portfólio long-short de referência top-K.
- O Algoritmo 3 descreve o processo: Candidatos são avaliados via backtesting. A configuração que maximiza o Índice de Sharpe enquanto satisfaz restrições de risco (ex: drawdown máximo, retorno mínimo) é selecionada.
- A estratégia ótima é executada em dados de mercado ao vivo.

Principais Contribuições

Execução de Agente Orientada por Harness: O artigo apresenta a primeira estrutura de múltiplos agentes orientada por harness para negociação quantitativa transversal. Ela substitui fluxos de trabalho de prompt vagamente especificados por políticas de execução programáveis, restrições comportamentais explícitas e mecanismos de verificação, permitindo a execução de agentes controlável e reproduzível.
Desempenho Robusto de Negociação de Longo Horizonte: Experimentos extensos demonstram que o design orientado por harness produz retornos ajustados ao risco superiores com variância cross-model e cross-trial substancialmente menor em comparação com baselines de estado da arte.

Resultados Experimentais

A estrutura foi avaliada nos mercados CSI 30amente 300 (A-shares chinesas) e S&P 500 (ações dos EUA) utilizando dados que abrangem de 2016 até meados de 2026 (incluindo uma fase de negociação ao vivo).

Métricas de Desempenho: O AlphaCrafter alcançou consistentemente maior Retorno Anualizado (AR), Índice de Sharpe (SR) e menor Drawdown Máximo (MDD) em comparação com indicadores tradicionais (MACD, Grid Trading), modelos de aprendizado de máquina (LightGBM, XGBoost, LSTM, Transformer) e outros métodos baseados em agentes (TradingAgents, TradingGroup, RD-Agent, AlphaAgent).
Estabilidade:
- Estabilidade de Tentativa (Trial Stability): O AlphaCrafter exibiu a menor variância entre tentativas e os maiores retornos mínimos em 10 tentativas independentes de backtesting, indicando menor risco de cauda.
- Estabilidade de Modelo: A estrutura manteceu perfis de desempenho consistentes através de três diferentes backbones de LLM (GPT 5.3 Codex, Claude Opus 4.6, Gemini 3.1 Pro), demonstrando que o harness efetivamente desacopla a eficácia do modelo subjacente específico.
Mitigação de Decaimento de Alpha: Ao contrário de conjuntos de fatores estáticos (ex: Alpha158 global top20) que sofreram severa volatilidade e valores de IC negativos ao longo do tempo, o AlphaCrafter manteve níveis estáveis de IC (~0.02) através de períodos semestrais. Isso confirma a eficácia de sua manutenção de biblioteca adaptativa e busca baseada em regularização para mitigar o decaimento de alpha.
Estudos de Ablação: Remover qualquer componente (Miner, Screener ou Trader) ou colapsar o sistema em um modelo de Agente Único resultou em desempenho degradado, maior variância e aumento de drawdowns. Isso valida a necessidade do design de harness modular e de múltiplos agentes para isolamento de contexto e execução focada.

Significância e Alegações

O artigo alega que o AlphaCrafter fornece uma base prática para construir sistemas de múltiplos agentes mais confiáveis, controláveis e robustos para negociação quantitativa.

Do Implícito ao Explícito: A principal significância reside na mudança do design de agentes de processos implícitos, baseados em prompts, para fluxos de trabalho computacionais explícitos e verificáveis. O "harness" que envolve o LLM é postulado como sendo tão crítico quanto o próprio modelo para resolver tarefas complexas e de longa duração.
Reproduzibilidade: Ao encapsular agentes dentro de políticas estruturadas, o sistema garante que os pipelines de negociação sejam auditáveis e reproduzíveis, abordando uma lacuna importante nas aplicações financeiras atuais baseadas em LLM.
Consciência de Risco: Estudos de caso indicam que o sistema de harness integrado exibe consciência intrínseca de risco, ajustando dinamicamente a exposição de posição em resposta à volatilidade do mercado sem regras explícitas de alvo de volatilidade, emergindo, em vez disso, das restrições coordenadas do Miner, Screener e Trader.

Os autores concluem que o design disciplinado baseado em harness é um caminho viável para sistemas de negociação automatizados que podem se adaptar às condições de mercado em evolução, mantando o rigor exigido para a tomada de decisão financeira.