AQuA: Khung tác tử AI từ Princeton, Ant Group và Stanford giúp tự động tìm kiếm nhân tố trong tài chính định lượng

Các tác nhân nghiên cứu định lượng tự viết thử nghiệm cho riêng mình có thể làm hỏng các bằng chứng mà sau đó chúng dùng để học hỏi. Một đặc trưng bị rò rỉ (leaky feature) đạt điểm cao sẽ được lưu trữ như một tiền lệ thành công và lan truyền qua các lần lặp lại sau đó. Các hướng dẫn ở cấp độ prompt và các tác nhân đánh giá không thể ngăn chặn điều này, bởi vì tác giả và người đánh giá có chung những điểm mù. Một nhóm các nhà nghiên cứu từ Đại học Princeton, Ant Group và Đại học Stanford đã đề xuất AQuA. AQuA là một cặp hệ thống nghiên cứu dựa trên mô hình ngôn ngữ, giúp cải thiện quy trình nghiên cứu của chính chúng qua các lần lặp lại trong khi thực thể đánh giá chúng vẫn được giữ nguyên trạng. Một hệ thống khám phá các nhân tố alpha biểu tượng (symbolic alpha factors) trên tiền điện tử; hệ thống còn lại phát triển các mô hình chuỗi thời gian trên cổ phiếu Mỹ. Chúng không chia sẻ tác nhân, bộ nhớ, không gian ứng viên hay trạng thái nghiên cứu với nhau.

Chế độ lỗi mà AQuA được xây dựng để giải quyết

Nghiên cứu định lượng thường thất bại do các lỗi phương pháp nhỏ tạo ra các kết quả kiểm chứng ngược (backtests) thuyết phục nhưng không thể tái lập, điều đã được ghi nhận kể từ nghiên cứu của Bailey và cộng sự. Một tác nhân tự viết thử nghiệm cho chính mình làm trầm trọng thêm vấn đề này: một đặc trưng bị rò rỉ đạt điểm cao sẽ được lưu trữ như một tiền lệ, và sự đệ quy sẽ khuếch đại một lỗi chưa được phát hiện cũng dễ dàng như một khám phá thực sự.

Các hướng dẫn ở cấp độ prompt và việc đánh giá bằng mô hình không phải là một ranh giới toàn vẹn. Việc truy cập lặp đi lặp lại vào một tập dữ liệu kiểm chứng cố định (holdout) gây ra tình trạng quá khớp thích ứng (adaptive overfitting), và các tác nhân LLM đã được quan sát thấy là khai thác các mục tiêu và trình đánh giá được xác định sai. Thay vào đó, AQuA làm cho các hành động gây rò rỉ trở nên không khả thi. Mỗi phần sẽ cố định các phân đoạn, định nghĩa đặc trưng và nhãn, cũng như trình đánh giá trước khi bất kỳ lần lặp nào bắt đầu, và tác nhân chỉ xuất ra một biểu thức nhân tố bị giới hạn hoặc một thay đổi cấu hình (config diff) duy nhất. Nhóm nghiên cứu gọi đây là sự tự do bất đối xứng: tác nhân khám phá tự do bên trong DSL của nó, nhưng trình đánh giá nằm ngoài bề mặt thích ứng. Thứ được cải thiện chính là quy trình nghiên cứu.

Trình giải thích tương tác

Phần I là một quy trình gồm sáu tác nhân: Data Steward (Quản lý dữ liệu), Visual Analyst (Phân tích trực quan), Idea Miner (Khai thác ý tưởng), Factor Evaluator (Đánh giá nhân tố), Backtest Engineer (Kỹ sư kiểm chứng ngược) và Research Librarian (Thủ thư nghiên cứu) — được điều phối bởi một AI Manager. Các tác nhân không bao giờ gọi lẫn nhau; mọi sự bàn giao đều thông qua Manager, giúp các lần chạy có thể kiểm toán được.

Một nhân tố được đưa vào dưới dạng một đề xuất có thể kiểm chứng, không phải là một biểu thức: giả thuyết, cơ chế, hướng dự đoán và các điều kiện bác bỏ. Chỉ sau đó, nó mới được lắp ghép từ thư viện toán tử alpha công thức tiêu chuẩn. Vì mọi toán tử chuỗi thời gian chỉ đọc một cửa sổ trượt (trailing window) và mọi toán tử cắt ngang (cross-sectional) chỉ đọc dấu thời gian hiện tại, tính nhân quả được đóng kín dưới phép hợp thành. Ba vòng lặp phản hồi được thực hiện: hiệu chỉnh hướng bên trong một lần kiểm chứng ngược, cập nhật niềm tin dựa trên sự bác bỏ bên trong một lần chạy, và bộ nhớ liên phiên (cross-run memory) giúp định hướng cho lần tìm kiếm tiếp theo.

Trên vũ trụ tiền điện tử 5 phút, chỉ số Spearman IC xác thực kết hợp tăng qua 20 kỷ nguyên nghiên cứu lên khoảng 0,190, so với 0,171 của AlphaMemo đã điều chỉnh, 0,151 của AlphaGen đã điều chỉnh, 0,137 của LSTM, 0,106 của LightGBM và 0,075 của mô hình cơ sở kiểu Alpha158. Các cơ chế riêng lẻ vẫn yếu — IC của từng nhân tố đơn lẻ chỉ từ 0,026 đến 0,137. Tuyên bố ở đây là về hệ thống hỗ trợ, không phải về một biểu thức đơn lẻ.

Phần II: Phát triển mô hình dựa trên cấu hình (Config-Driven)

Phần II dự đoán lợi nhuận kỳ tới của từng cổ phiếu trong 30 phút tiếp theo trên thị trường cổ phiếu Mỹ trong ngày. Quá trình huấn luyện chạy từ 2010–2019, năm 2020 là khoảng trống cấm vận (embargo gap) không bị tác động, và 2021–2025 là dữ liệu kiểm tra chưa từng được chạm tới. Việc lựa chọn sử dụng một lát cắt xác thực nội bộ (inner-validation slice) chỉ từ cuối cửa sổ huấn luyện.

Một giả thuyết ở đây là một thay đổi cấu hình (config diff) — kiến trúc, hàm mất mát, bộ lấy mẫu hoặc bộ tối ưu hóa — và một thay đổi tạo ra chính xác một biến thể, giúp các biến thể có thể so sánh được. Bộ dự đoán là một mô hình lai: một front-end tích chập 1-D đa quy mô, một backbone có thể cấu hình bao gồm LSTM, Mamba và attention (attention trong lần chạy được báo cáo), một giai đoạn cắt ngang trộn lẫn trên bảng dữ liệu, gated fusion và một đầu ra tổng hợp cho mỗi cổ phiếu.

Không có đặc trưng giá-khối lượng đơn lẻ nào mang tín hiệu: mạnh nhất là lợi nhuận 5 phút ở mức -0,031, và sự kết hợp ridge chỉ đạt +0,025. Trên các họ mô hình với cùng dữ liệu và cùng trình đánh giá, IC thô trên mỗi cổ phiếu đạt +0,0251 (ridge), +0,0397 (LGB), +0,0434 (xLSTM), +0,0535 (LSTM), +0,0613 (GRU) và +0,0843 cho mô hình lai — cao hơn +0,0230 tuyệt đối so với mô hình cơ sở tốt nhất, tương đương 37,5% tương đối. IC của hai phần sử dụng các quy ước khác nhau và bài báo nêu rõ rằng chúng không nên được so sánh với nhau.

Từ Tín hiệu đến Chiến lược

Điểm số trên mỗi cổ phiếu trở thành một danh mục long/short trung tính với đồng USD với chi phí hai chiều là 2 bps. Việc trung hòa theo ngành giúp nâng chỉ số Sharpe trên dữ liệu kiểm chứng lên +2,15, với các giá trị huấn luyện và kiểm chứng gần như bằng nhau. Một lớp phủ nhắm mục tiêu biến động có tính nhân quả nâng nó lên +2,50, và một phương pháp walk-forward hoàn toàn có tính nhân quả khi chọn mọi tham số chỉ từ dữ liệu quá khứ vẫn đạt +2,00. R² trên mỗi cổ phiếu là 1,20%. Chỉ số Sharpe theo năm lần lượt là +1,7, +3,5, +1,9, +1,8 và +2,7 cho giai đoạn 2021 đến 2025 — dương trong mọi năm, bao gồm cả đợt sụt giảm năm 2022.

Những điểm chính cần lưu ý

Hãy xem bài báo. Ngoài ra, đừng ngần ngại theo dõi chúng tôi trên Twitter và đừng quên tham gia SubReddit ML 150k+ thành viên của chúng tôi và đăng ký nhận bản tin. Khoan đã! Bạn có dùng Telegram không? Bây giờ bạn cũng có thể tham gia cùng chúng tôi trên Telegram.

Cần hợp tác với chúng tôi để quảng bá GitHub Repo, Hugging Face Page, Product Release hoặc Webinar của bạn, v.v.? Hãy kết nối với chúng tôi.

Lưu ý: Cảm ơn nhóm Ant Research vì sự dẫn dắt tư tưởng/tài nguyên cho bài viết này. Nhóm Ant Research đã hỗ trợ nội dung/bài viết này để quảng bá.

Asif Razzaq là CEO của Marktechpost Media Inc.. Là một doanh nhân và kỹ sư có tầm nhìn, Asif cam kết khai thác tiềm năng của Trí tuệ nhân tạo vì lợi ích xã hội. Nỗ lực gần đây nhất của ông là ra mắt Nền tảng truyền thông Trí tuệ nhân tạo, Marktechpost, nổi bật với việc đưa tin chuyên sâu về tin tức học máy và học sâu, vừa đảm bảo tính kỹ thuật vừa dễ hiểu đối với đông đảo khán giả. Nền tảng này tự hào với hơn 2 triệu lượt xem hàng tháng, minh chứng cho sự phổ biến của nó đối với độc giả.