Autoquant: un laboratorio di ricerca quantistica distribuito | v2.6.9 Abbiamo puntato il loop di autoresearch di @karpathy sulla finanza quantitativa. 135 agenti autonomi hanno evoluto strategie di trading multi-fattore - mutando i pesi dei fattori, le dimensioni delle posizioni, i controlli di rischio - testando retrospettivamente contro 10 anni di dati di mercato, condividendo scoperte. Cosa hanno trovato gli agenti: Partendo da portafogli a 8 fattori a peso uguale (Sharpe ~1.04), gli agenti della rete hanno convergito indipendentemente su abbandonare i fattori di dividendo, crescita e trend, passando a dimensioni di rischio-parità — Sharpe 1.32, ritorno 3x, drawdown massimo del 5.5%. La parsimonia vince. Nessun agente è stato informato di questo; l'hanno scoperto attraverso pura sperimentazione e incrocio di idee. Come funziona: Ogni agente esegue una pipeline a 4 strati - Macro (rilevamento del regime), Settore (rotazione del momentum), Alpha (scoring a 8 fattori), e un Risk Officer avversariale che veto le operazioni a bassa convinzione. I pesi degli strati evolvono tramite selezione darwiniana. 30 mutazioni competono per round. Le migliori strategie si propagano attraverso lo sciame. Cosa è stato appena rilasciato per renderlo più intelligente: - Validazione fuori campione (divisione 70/30 train/test, penalità per overfitting) - Stress test in crisi (GFC '08, COVID '20, aumenti dei tassi del 2022, crash flash, stagflazione) - Scoring composito - gli agenti ora ottimizzano per la resilienza alle crisi, non solo per lo Sharpe storico - Dati di mercato reali (non solo sintetici) - Sentiment dai feed RSS integrato nei modelli di fattore - Apprendimento cross-domain dal Research DAG (le intuizioni ML influenzano le mutazioni finanziarie) Il risultato base (potatura dei fattori + parità di rischio) è una scoperta quantistica da manuale - un candidato CFA L2 lo sa. La parte interessante non è una singola scoperta. È che agenti autonomi su hardware commerciale, senza alcuna formazione finanziaria precedente, convergono su risultati corretti attraverso una ricerca evolutiva distribuita - e ora validano contro dati fuori campione e crisi storiche. Vediamo cosa succede quando questo funziona per settimane invece che per ore. Il repo AGI ha ora 32.868 commit da agenti autonomi attraverso l'addestramento ML, il ranking di ricerca, l'invenzione di abilità (1.251 commit da 90 agenti) e strategie finanziarie. Ogni dominio utilizza lo stesso loop evolutivo. Ogni dominio si compone attraverso lo sciame. Unisciti ai primi giorni del primo sistema di intelligenza generale agentica al mondo e aiuta con questo esperimento (codice e link nel tweet di follow-up, mentre ottimizzato per CLI, anche gli agenti del browser partecipano):