FactorMiner: A Self-Evolving Agent with Skills and Experience Memory for Financial Alpha Discovery
FactorMiner 是一个轻量级、自进化的智能体框架，它利用模块化技能架构和结构化经验记忆，在有效缓解量化投资中不断扩张的搜索空间内冗余问题的同时，迭代地发现多样化、高质量且具解释性的公式化阿尔法因子。
原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。 阅读完整免责声明
在量化投资领域，成功往往取决于能否在混沌的市场数据海洋中发现隐藏的信号。投资者寻找价格、成交量和交易活动中的模式，以期比随机概率更好地预测未来走势。这些模式通常被编写成特定的数学公式，称为“阿尔法因子”（alpha factors），它们充当了决定何时买入或卖出的规则。挑战在于，可能的公式数量极其庞大，以至于人类无法将它们全部写下来或进行人工测试。此外，随着研究人员发现越来越多的规则，他们经常发现其中许多只是同一理念的变体，并没有提供新的见解。这创造了一个拥挤的景观，使得寻找真正新颖且有用的东西变得越来越困难。目标是构建一个系统，不仅能高效地搜索这个广阔的空间，还能从过去的尝试中学习，以避免重复错误并发现真正独特的模式。
一组研究人员开发了一种名为 FactorMiner 的新方法来解决这个问题，这是一个旨在导航这一复杂金融地形的自我改进型计算机智能体。该系统并非依赖人类专家编写每一条规则，也不是依靠简单的计算机程序随机猜测公式，而是像一位随着时间积累经验的好奇研究员。其核心思想是将“思考”的工作与“计算”的工作分离。该智能体使用大语言模型来生成新公式的想法，但将这些公式的实际测试委托给一个专门的高速引擎。该引擎通过查看真实市场数据来检查公式是否有效，衡量其预测未来回报的能力，并确保其与已发现的数千条规则不会过于相似。
使该系统独特之处在于它的记忆力。大多数自动化搜索方法会忘记之前会话中学到的知识，往往会在重新发现死胡同或反复生成相同的成功模式上浪费时间。然而，FactorMiner 会保留其旅程的有结构记录。它存储两种类型的洞察：成功的模式（即过去表现良好的公式结构类型）以及禁区（即持续失败或与现有规则过于相似的想法组合）。当智能体开始新的搜索时，它会首先咨询这种记忆。它利用成功与失败的历史来指导下一次猜测，有效地将搜索范围缩小到最有希望的区域，同时避开拥挤且无产出的区域。
研究人员在包括中国股票和各种加密货币在内的现实世界金融数据上测试了该系统。他们发现，与传统方法相比，FactorMiner 能够更有效地构建高质量、多样化的规则库。在实验中，该系统生成了一组由 110 条截然不同的规则组成的集合，并在真实市场数据上进行了验证。这些规则不仅在预测价格走势方面具有准确性，而且彼此之间具有差异性，这意味着它们捕捉了市场行为的不同方面，而非仅仅重复相同的信号。该系统即使在库规模扩大时也能保持这种多样性，而许多其他自动化方法在实现这一点上都感到吃力。通过根据所学内容不断优化其搜索策略，该智能体避开了“相关性红海”（即新发现仅仅是旧发现的副本的状态），转而发现了新鲜且具有可解释性的洞察。
这一过程是一个连续的循环。智能体从记忆中检索相关的教训，生成一批新的候选公式，然后通过严格的多阶段评估。首先，它快速筛选掉明显的失败项。然后，它将幸存者与现有库进行对比，以确保它们与已知内容不会过于相似。如果一条新规则比现有规则更好但又过于相似，系统会允许新规则替换旧规则，从而保持库的更新。最后，最有希望的规则会经过完整且详细的验证。整个过程的结果随后会被提炼回记忆中，从而更新智能体对什么是好的或坏的搜索方向的理解。这个循环使系统得以进化，使其在每一轮发现中都变得更加高效和有效。
研究人员强调，这种方法为在易于发现的信号已被挖掘殆尽的市场中寻找新的投资信号提供了一个切实可行的解决方案。通过将创意的想法生成与纪律严明的记忆引导搜索相结合，FactorMiner 提供了一种在不牺牲清晰度或多样性的情况下，扩展有用金融规则发现规模的方法。该系统并不依赖于无法理解的、不透明的“黑箱”模型；相反，它产生清晰、人类可读的公式，这些公式是可以审计和信任的。这项工作证明，通过赋予人工智能智能体记忆其过去经验并从中学习的能力，是有可能导航复杂的金融市场，并发现此前难以触及的有价值且具可解释性的模式的。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。