Исследователи представили систему Hubble — автономный агентный фреймворк на базе больших языковых моделей (LLM), предназначенный для автоматического поиска факторов альфы. Как сообщает Let’s Data Science, проект решает извечную проблему квантов: как запрячь творческий потенциал нейросетей в телегу жестких математических ограничений и проверяемости. В ходе тестов на корзине из 30 американских акций система проанализировала 122 уникальных кандидата и выдала пиковый композитный балл 0.827, сохранив при этом абсолютную вычислительную стабильность.
Действительно ли нам нужно доверять генеративным моделям поиск финансовых закономерностей? На первый взгляд кажется, что смешивать галлюцинации LLM и управление капиталом — затея сомнительная. Однако разработчики Hubble подошли к вопросу как опытные системные инженеры: они не дают модели писать произвольный код, а заставляют её оперировать специализированным языком операторов в изолированной песочнице на базе AST (абстрактного синтаксического дерева). Это гарантирует, что на выходе мы получим не «мусор», а синтаксически верную формулу, которую можно мгновенно обсчитать.
Механика эволюционного поиска
Сердце системы — итеративный цикл обратной связи. После генерации фактора Hubble прогоняет его через статистический конвейер, замеряя RankIC (коэффициент информационной корреляции), информационное отношение и оборачиваемость портфеля. Если формула работает плохо или выдает ошибку, диагностические данные возвращаются модели для «работы над ошибками». Это напоминает процесс отладки кода (знакомое чувство, когда сидишь над багом в три часа ночи), только здесь за исправление отвечает алгоритм, а не уставший программист.
Интересно, что Hubble игнорирует модную «черноящичность» в пользу интерпретируемости. Вместо того чтобы выдавать готовые веса, система генерирует прозрачные формулы. Это критически важно для комплаенса и внутреннего аудита в крупных фондах — вы всегда понимаете, почему алгоритм решил купить ту или иную акцию. Но не слишком ли мы ограничиваем мощь ИИ, запирая его в рамки предопределенных операторов? Возможно, именно в этом «узком горлышке» и кроется секрет стабильности, которой так не хватает генетическим алгоритмам прошлого.
Успех на 30 ликвидных акциях США мало говорит о живучести системы в условиях рыночных шоков или высокой стоимости транзакций. Пока это лишь продвинутый инструмент для генерации гипотез, а не «кнопка бабло», и попытка заменить им полноценный риск-менеджмент закончится болезненным столкновением с реальностью.
Для команд количественных исследований Hubble намечает понятный путь интеграции ИИ в рабочий процесс. Вместо того чтобы вручную перебирать комбинации технических индикаторов, исследователи могут сосредоточиться на проектировании самой среды поиска. Ведь главная ценность здесь не в самой LLM, а в архитектуре контроля, которая не дает этой модели превратить торговую стратегию в набор случайных чисел.
Что дальше? Нам обещают масштабирование на более широкие рынки и интеграцию симуляторов, учитывающих проскальзывания и комиссии. Но пока Hubble остается впечатляющим прототипом (своего рода лабораторным стендом), который доказывает: подружить творческий хаос языковых моделей с сухой дисциплиной финансовой математики всё-таки возможно. Главное — вовремя выставить правильные ограждения.
Оставить комментарий