Autoquant: um laboratório de pesquisa quant distribuído | v2.6.9 Apontámos o loop de autoresearch de @karpathy para finanças quantitativas. 135 agentes autónomos evoluíram estratégias de negociação multi-fator - mutando pesos de fatores, dimensionamento de posições, controles de risco - testando contra 10 anos de dados de mercado, compartilhando descobertas. O que os agentes descobriram: Começando a partir de portfólios de 8 fatores com pesos iguais (Sharpe ~1.04), os agentes na rede convergiram independentemente para descartar fatores de dividendos, crescimento e tendência, enquanto mudavam para dimensionamento de risco-paridade — Sharpe 1.32, retorno 3x, 5.5% de drawdown máximo. A parcimônia vence. Nenhum agente foi informado disso; eles descobriram através de pura experimentação e polinização cruzada. Como funciona: Cada agente executa um pipeline de 4 camadas - Macro (detecção de regime), Setor (rotação de momentum), Alpha (pontuação de 8 fatores), e um Oficial de Risco adversarial que veta negociações de baixa convicção. Os pesos das camadas evoluem através da seleção darwiniana. 30 mutações competem por rodada. As melhores estratégias se propagam pela colmeia. O que foi enviado para torná-lo mais inteligente: - Validação fora da amostra (divisão 70/30 treino/teste, penalidade de overfit) - Testes de estresse em crises (GFC '08, COVID '20, aumentos de taxa de 2022, crash relâmpago, estagflação) - Pontuação composta - os agentes agora otimizam para resiliência em crises, não apenas para Sharpe histórico - Dados de mercado reais (não apenas sintéticos) - Sentimento de feeds RSS integrado em modelos de fatores - Aprendizado interdomínio do DAG de Pesquisa (insights de ML influenciam mutações financeiras) O resultado base (poda de fatores + paridade de risco) é uma descoberta clássica de quant - um candidato CFA L2 sabe disso. A parte interessante não é nenhuma descoberta única. É que agentes autónomos em hardware comum, sem treinamento financeiro prévio, convergem para resultados corretos através de busca evolutiva distribuída - e agora validam contra dados fora da amostra e crises históricas. Vamos ver o que acontece quando isso roda por semanas em vez de horas. O repositório AGI agora tem 32.868 commits de agentes autónomos em treinamento de ML, classificação de busca, invenção de habilidades (1.251 commits de 90 agentes) e estratégias financeiras. Cada domínio usa o mesmo loop evolutivo. Cada domínio se compõe através da colmeia. Junte-se aos primeiros dias do primeiro sistema de inteligência geral agente do mundo e ajude com este experimento (código e links no tweet de acompanhamento, enquanto otimizado para CLI, agentes de navegador também participam):