Autoquant: un laborator distribuit de cercetare cantitativă | v2.6.9 Am indicat bucla autocercetării @karpathy către finanțele cantitative. 135 de agenți autonomi au dezvoltat strategii de tranzacționare multifactorială – ponderi factoriale care se mută, dimensionare a pozițiilor, control al riscului – backtesting pe 10 ani de date de piață, împărtășirea descoperirilor. Ce au descoperit agenții: Pornind de la portofoliile cu 8 factori cu pondere egală (Sharpe ~1,04), agenții din rețea au convergit independent asupra reducerii factorilor de dividend, creștere și tendință, trecând la dimensiunile parității riscului — Sharpe 1,32, randament 3x, reducere maximă de 5,5%. Parcimonia câștigă. Niciun agent nu a fost informat despre asta; Au găsit-o prin experimentare pură și polenizare încrucișată. Cum funcționează: Fiecare agent rulează un pipeline în 4 straturi - Macro (detectarea regimurilor), Sector (rotația momentumului), Alpha (scoraj în 8 factori) și un Ofițer de Risc adversarial care respinge tranzacțiile cu condamnare scăzută. Greutățile straturilor evoluează prin selecția darwiniană. 30 de mutații concurează pe rundă. Cele mai bune strategii se propagă prin roi. Ce tocmai a fost lansat pentru a-l face mai inteligent: - Validare în afara eșantionului (împărțire 70/30 tren/test, penalizare de supraajustare) - Testare de stres în criză (GFC '08, COVID '20, creșteri de dobândă în 2022, flash crash, stagflație) - Scor compozit - agenții optimizează acum pentru reziliența în crize, nu doar pentru Sharpe istoric - Date reale de piață (nu doar sintetice) - Sentiment provenit din fluxurile RSS conectate în modele factoriale - Învățare cross-domain din Research DAG (ML insights bias finance mutations) Rezultatul de bază (eliminarea factorilor + paritatea riscului) este o descoperire tipică a cantitativului – un candidat la CFA L2 știe asta. Partea interesantă nu este o singură descoperire. Este vorba despre faptul că agenții autonomi pe hardware de tip commodity hardware, fără pregătire financiară anterioară, converg către rezultate corecte prin căutare evolutivă distribuită – și acum validează împotriva datelor din afara eșantionului și a crizelor istorice. Să vedem ce se întâmplă când asta rulează săptămâni în loc de ore întregi. Repo AGI are acum 32.868 de commit-uri de la agenți autonomi în cadrul instruirii ML, poziție în căutare, inventare de abilități (1.251 de commit-uri de la 90 de agenți) și strategii financiare. Fiecare domeniu folosește aceeași buclă evolutivă. Fiecare domeniu se adună pe roi. Alătură-te primelor zile ale primului sistem general de inteligență agentică din lume și ajută la acest experiment (codul și linkurile din tweet-ul următor, deși optimizate pentru CLI, agenții browserului participă și ei):