AQuA: เฟรมเวิร์ก AI สองส่วนเพื่อการค้นหาแฟกเตอร์การเงิน
ทีมนักวิจัยจาก Princeton, Ant Group และ Stanford เปิดตัว AQuA เฟรมเวิร์ก AI สองส่วนสำหรับการค้นหาแฟกเตอร์อัตโนมัติและการพัฒนาโมเดลควอน
ภาพประกอบจากคลังภาพสต็อก ไม่ใช่ภาพจากเหตุการณ์จริง
- ทีมนักวิจัยจาก Princeton, Ant Group และ Stanford พัฒนา AQuA เฟรมเวิร์ก AI สองส่วน
- ระบบแยกผู้ประเมินไว้นอกพื้นที่ปรับตัว ป้องกันปัญหาข้อมูลรั่วไหลและการ Overfitting
- ส่วนที่ 1 ใช้ระบบ 6 เอเจนต์จัดการผ่าน AI Manager เพื่อค้นหาแฟกเตอร์อัตโนมัติ
- ส่วนที่ 2 ทำนายผลตอบแทนหุ้นรายตัวในตลาดหุ้นสหรัฐฯ ช่วง 30 นาทีข้างหน้า
การศึกษาวิจัยเชิงปริมาณมักเผชิญปัญหาจากข้อผิดพลาดด้านระเบียบวิธีวิจัยขนาดเล็ก ซึ่งสร้างผลการทดสอบย้อนหลังที่ดูน่าเชื่อถือแต่ไม่สามารถทำซ้ำได้ตามเอกสารของ Bailey และคณะ เมื่อเอเจนต์ต้องเขียนการทดลองด้วยตนเอง ปัญหานี้กลับยิ่งทวีความรุนแรงขึ้น ฟีเจอร์ที่มีการรั่วไหลของข้อมูลแต่ได้คะแนนดีจะถูกบันทึกไว้เป็นบรรทัดฐาน และกระบวนการวนซ้ำจะขยายข้อผิดพลาดที่ตรวจไม่พบให้กลายเป็นเรื่องปกติได้อย่างรวดเร็ว
คำสั่งระดับพรอมต์และการตรวจสอบโดยโมเดลไม่ถือเป็นขอบเขตด้านความสมบูรณ์ การเข้าถึงข้อมูลชุดทดสอบที่ถูกล็อกไว้ซ้ำๆ ทำให้เกิดการปรับตัวเกินพอดี และเคยมีรายงานว่าเอเจนต์ภาษาขนาดใหญ่ใช้ประโยชน์จากวัตถุประสงค์และตัวประเมินที่กำหนดไว้ไม่รัดกุม AQuA จึงแก้ปัญหาด้วยการปิดกั้นการกระทำที่ทำให้เกิดการรั่วไหลของข้อมูล โดยแต่ละส่วนจะกำหนดชุดข้อมูล ขอบเขต ข้อมูลจำเพาะของฟีเจอร์และป้ายกำกับ รวมถึงตัวประเมินให้เสร็จสิ้นก่อนที่การวนซ้ำจะเริ่มต้นขึ้น
การพัฒนาโมเดลปัญญาประดิษฐ์สำหรับการเงินเชิงปริมาณ (Quantitative Finance) มักเผชิญกับความท้าทายเรื่อง Data Leakage หรือการที่โมเดลแอบเห็นข้อมูลอนาคตโดยไม่ตั้งใจผ่านกระบวนการวนซ้ำ การออกแบบสถาปัตยกรรมแบบ AQuA ที่แยกตัวประเมินและขอบเขตออกจากพื้นที่ทำงานของเอเจนต์โดยเด็ดขาด จึงช่วยแก้ปัญหาความน่าเชื่อถือของการทดสอบย้อนหลัง (Backtest) ที่นักพัฒนากลุ่มควอนมักต้องเผชิญอยู่เสมอ
ภาพประกอบจากคลังภาพสต็อก ไม่ใช่ภาพจากเหตุการณ์จริง
ทีมวิจัยเรียกแนวทางนี้ว่าอิสระแบบอสมมาตร โดยเอเจนต์สามารถสำรวจได้อย่างอิสระภายในภาษาเฉพาะทาง แต่ตัวประเมินจะอยู่นอกเหนือพื้นผิวที่ปรับตัวได้ สิ่งที่พัฒนาขึ้นคือกระบวนการวิจัยโดยรวม ส่วนที่หนึ่งประกอบด้วยท่อส่งงานที่มีเอเจนต์ 6 ตัว ได้แก่ Data Steward, Visual Analyst, Idea Miner, Factor Evaluator, Backtest Engineer และ Research Librarian ซึ่งประสานงานทั้งหมดผ่าน AI Manager โดยเอเจนต์จะไม่เรียกใช้งานกันเองแต่จะส่งผ่านผู้จัดการเท่านั้น
"The research team call this asymmetric freedom: the agent explores freely inside its DSL, but the evaluator sits outside the adaptive surface."
Research Team
บนชุดข้อมูลคริปโทเคอร์เรนซีระดับ 5 นาที ค่า Spearman IC รวมเพิ่มขึ้นตลอด 20 ยุคการวิจัยจนถึงประมาณ 0.190 เทียบกับ 0.171 ของ AlphaMemo, 0.151 ของ AlphaGen, 0.137 ของ LSTM, 0.106 ของ LightGBM และ 0.075 ของโมเดลพื้นฐานสไตล์ Alpha158 แม้กลไกแต่ละตัวจะดูอ่อนแอโดยมีค่า IC เดี่ยวเพียง 0.026 ถึง 0.037 แต่คุณ [อ่านต่อ] ของระบบนี้อยู่ที่ตัวโครงสร้างฮาร์ดแวร์และการจัดการ
ส่วนที่สองทำนายผลตอบแทนล่วงหน้าของหุ้นแต่ละตัวในช่วง 30 นาทีข้างหน้าสำหรับหุ้นทุนสหรัฐฯ ระหว่างวัน การฝึกอบรมใช้ข้อมูลปี 2010 ถึง 2019 โดยปี 2020 เป็นช่องว่างการกักเก็บข้อมูลที่ไม่มีการแตะต้อง และปี 2021 ถึง 2025 เป็นข้อมูลทดสอบที่ไม่มีการแตะต้อง การเลือกใช้ข้อมูลจะใช้ส่วนย่อยสำหรับการตรวจสอบภายในจากปลายหน้าต่างการฝึกอบรมเท่านั้น
คะแนนต่อหุ้นจะกลายเป็นพอร์ตโฟลิโอแบบยาว/สั้นที่เป็นกลางต่อดอลลาร์ โดยมีต้นทุนสองขาที่ 2 จุดพื้นฐาน การทำให้เป็นกลางต่อกลุ่มอุตสาหกรรมช่วยเพิ่มอัตราส่วน Sharpe ในชุดข้อมูลที่ถือครองไว้เป็น +2.15 การซ้อนทับการกำหนดเป้าหมายความผันผวนเชิงสาเหตุช่วยยกระดับขึ้นเป็น +2.50 และการเดินหน้าแบบกว้างที่คัดเลือกพารามิเตอร์ทุกตัวจากข้อมูลในอดีตเพียงอย่างเดียวก็ยังคงไปถึง +2.00 ได้เช่นกัน ค่า R² ต่อหุ้นอยู่ที่ 1.20% และอัตราส่วน Sharpe ตามปีอยู่ที่ +1.7, +3.5, +1.9, +1.8 และ +2.7 สำหรับปี 2021 ถึง 2025 ซึ่งเป็นบวกทุกปีรวมถึงช่วงขาลงในปี 2022 ด้วย
ที่มา: MarkTechPost
พบข้อมูลผิดพลาดในบทความนี้? แจ้งปัญหาบทความนี้
ความคิดเห็น
แสดงความคิดเห็น