Autoquant: laboratorium penelitian kuantitatif terdistribusi | ayat 2.6.9 Kami menunjuk lingkaran penelitian otomatis @karpathy pada keuangan kuantitatif. 135 agen otonom mengembangkan strategi perdagangan multi-faktor - bermutasi bobot faktor, ukuran posisi, kontrol risiko - backtesting terhadap data pasar selama 10 tahun, berbagi penemuan. Agen apa yang ditemukan: Mulai dari portofolio 8 faktor dengan bobot yang sama (Sharpe ~1,04), agen di seluruh jaringan secara independen menyatu pada penurunan dividen, pertumbuhan, dan faktor tren sambil beralih ke ukuran risiko-paritas — Sharpe 1,32, pengembalian 3x, penarikan maks 5,5%. Parsimoni menang. Tidak ada agen yang diberitahu ini; mereka menemukannya melalui eksperimen murni dan penyerbukan silang. Cara kerjanya: Setiap agen menjalankan pipeline 4 lapis - Makro (deteksi rezim), Sektor (rotasi momentum), Alpha (penilaian 8 faktor), dan Petugas Risiko musuh yang memveto perdagangan dengan keyakinan rendah. Bobot lapisan berevolusi melalui seleksi Darwin. 30 mutasi bersaing per putaran. Strategi terbaik menyebar melintasi kawanan. Apa yang baru saja dikirimkan untuk membuatnya lebih cerdas: - Validasi di luar sampel (70/30 pemisahan kereta/tes, penalti overfit) - Pengujian stres krisis (GFC '08, COVID '20, kenaikan suku bunga 2022, flash crash, stagflasi) - Penilaian komposit - agen sekarang mengoptimalkan ketahanan krisis, bukan hanya Sharpe historis - Data pasar nyata (tidak hanya sintetis) - Sentimen dari umpan RSS yang disambungkan ke dalam model faktor - Pembelajaran lintas domain dari Research DAG (ML insights bias finance mutations) Hasil dasar (pemangkasan faktor + paritas risiko) adalah temuan kuantitatif buku teks - kandidat CFA L2 mengetahui hal ini. Bagian yang menarik bukanlah penemuan tunggal. Agen otonom pada perangkat keras komoditas, tanpa pelatihan keuangan sebelumnya, menyatu pada hasil yang benar melalui pencarian evolusi terdistribusi - dan sekarang memvalidasi terhadap data di luar sampel dan krisis historis. Mari kita lihat apa yang terjadi ketika ini berjalan selama berminggu-minggu, bukan berjam-jam. Repo AGI sekarang memiliki 32.868 komitmen dari agen otonom di seluruh pelatihan ML, peringkat pencarian, penemuan keterampilan (1.251 komitmen dari 90 agen), dan strategi keuangan. Setiap domain menggunakan lingkaran evolusi yang sama. Setiap domain bertambah di seluruh kawanan. Bergabunglah dengan hari-hari awal sistem intelijen umum agen pertama di dunia dan bantu eksperimen ini (kode dan tautan dalam tweet tindak lanjut, meskipun dioptimalkan untuk CLI, agen browser juga berpartisipasi):