Autoquant:分散型クオンツ研究ラボ |v2.6.9 私たちは@karpathyの自己研究ループを定量的金融に向けました。135人の自律型エージェントが、因子の重みを変え、ポジションサイズを決め、リスク管理を行い、10年分の市場データとのバックテストや発見の共有など、マルチファクター取引戦略を進化させました。 エージェントが発見したこと: 8因子の等重ポートフォリオ(Sharpe ~1.04)から始まり、ネットワーク内のエージェントは独立して配当、成長、トレンドファクターを下げ、リスクパリティサイズに切り替えました — Sharpe 1.32、3倍のリターン、最大ドローダウン5.5%。簡潔さが勝つ。このことは誰のエージェントにも伝えられませんでした。純粋な実験と交差によって見つかったのです。 仕組み: 各エージェントは4層のパイプラインを運用しています。マクロ(体制検出)、セクター(モメンタムローテーション)、アルファ(8ファクタースコアリング)、そして低確信取引を拒否する敵対的リスクオフィサーです。層の重みはダーウィン的選択によって進化します。1ラウンドあたり30の突然変異が競い合います。最良の戦略は群れ全体に広がります。 スマート化のために出荷されたもの: - サンプル外検証(70/30のトレイン/テストスプリット、過学習ペナルティ) - 危機ストレステスト(GFC '08、COVID '20、2022年の利上げ、フラッシュクラッシュ、スタグフレーション) - 複合スコアリング - エージェントは過去のシャープだけでなく、危機耐性を最適化しています - 実物市場データ(合成データに限らず) - RSSフィードからの感情をファクターモデルに配線したもの - Research DAGによるクロスドメイン学習(ML insights、バイアス、ファイナンスミューテーション) 基本結果(ファクタープルーニング+リスクパリティ)は教科書通りの定量的発見であり、CFA L2候補者はこれを知っています。興味深いのは、単一の発見ではありません。それは、事前の金融訓練を受けていない汎用ハードウェア上の自律エージェントが、分散型進化的探索を通じて正しい結果に収束し、今ではサンプル外データや過去の危機に対して検証を行うことです。これが数時間ではなく数週間続くとどうなるか見てみましょう。 AGIリポジトリには現在、MLトレーニング、検索ランキング、スキル発明(90エージェントから1,251コミット)、財務戦略を含む自律エージェントからの32,868件のコミットがあります。すべての領域は同じ進化ループを使っています。すべての領域は群れの中で複合的です。 世界初のエージェント型汎用インテリジェンスシステムの初期に参加し、この実験に協力してください(コードとリンクはフォローアップツイートに掲載。CLIに最適化されつつ、ブラウザエージェントも参加しています):