“>
La Parte I es un proceso de seis agentes: administrador de datos, analista visual, minero de ideas, evaluador de factores, ingeniero de pruebas retrospectivas y bibliotecario de investigación, todo ello orquestado por un administrador de IA. Los agentes nunca se llaman entre sí; cada transferencia pasa por el Manager, lo que mantiene las ejecuciones auditables.
Un factor entra como una propuesta falsable, no como una expresión: hipótesis, mecanismo, dirección prevista y condiciones de refutación. Sólo entonces se ensambla a partir del registro de operadores alfa de fórmula estándar. Debido a que cada operador de serie temporal lee solo una ventana final y cada operador de sección transversal lee solo la marca de tiempo actual, la causalidad está cerrada bajo composición. Se ejecutan tres ciclos de retroalimentación: calibración de dirección dentro de una prueba retrospectiva, actualización de creencias basada en falsificación dentro de una ejecución y memoria cruzada que dirige la siguiente búsqueda.
En un universo criptográfico de cinco minutos, la validación combinada Spearman IC sube a lo largo de 20 épocas de investigación hasta aproximadamente 0,190, frente a 0,171 para un AlphaMemo adaptado, 0,151 para un AlphaGen adaptado, 0,137 para LSTM, 0,106 para LightGBM y 0,075 para una línea de base de estilo Alpha158. Los mecanismos individuales siguen siendo débiles: CI de un solo factor de 0,026 a 0,037. El reclamo se refiere al arnés, no a una expresión.
Parte II: Desarrollo de modelos basados en configuración
La Parte II predice el rendimiento futuro de cada acción durante los próximos treinta minutos en acciones estadounidenses intradía. La capacitación se ejecuta en 2010-2019, 2020 es una brecha de embargo que nada toca y 2021-2025 son datos de prueba intactos. La selección utiliza un segmento de validación interna únicamente desde el final de la ventana de entrenamiento.
Una hipótesis aquí es una diferencia de configuración (arquitectura, pérdida, muestreador u optimizador) y una diferencia produce exactamente una variante, manteniendo las variantes comparables. El predictor es un híbrido: una interfaz convolucional 1-D de múltiples escalas, una columna vertebral configurable que abarca LSTM, Mamba y atención (atención en la ejecución informada), una etapa transversal que se mezcla en todo el panel, fusión cerrada y una lectura agrupada por acción.
Ninguna característica de precio-volumen transmite la señal: la más fuerte es un retorno de 5 minutos a −0,031, y una combinación de crestas alcanza solo +0,025. En todas las familias de modelos con datos idénticos y el mismo evaluador, el IC bruto por acción alcanza +0,0251 (cresta), +0,0397 (LGB), +0,0434 (xLSTM), +0,0535 (LSTM), +0,0613 (GRU) y +0,0843 para el híbrido: +0,0230 absoluto sobre la mejor línea de base, 37,5% relativo. Los circuitos integrados de las dos partes utilizan convenciones diferentes y el documento establece claramente que no deben compararse.
De la señal a la estrategia
La puntuación por acción se convierte en un umbral neutral en dólares para libros largos/cortos a un coste de dos tramos de 2 puntos básicos. La neutralización del sector eleva el Sharpe retenido a +2,15, con valores de entrenamiento y retenidos casi iguales. Una superposición causal de objetivos de volatilidad lo eleva a +2,50, y un recorrido totalmente causal que elige cada parámetro a partir de datos pasados únicamente aún alcanza +2,00. El R² por acción es del 1,20%. Sharpe por año es +1,7, +3,5, +1,9, +1,8 y +2,7 para 2021 hasta 2025, positivo en todos los años, incluida la reducción de 2022.
Conclusiones clave
Dos ciclos de investigación independientes: descubrimiento de factores y desarrollo de modelos, no comparten agentes, memoria ni estado. La libertad es asimétrica: el agente explora dentro de un DSL, pero las divisiones, las características, las etiquetas y el evaluador están sellados. La Parte I alcanza ~0,190 IC combinado en criptografía; La Parte II alcanza +0,0843 IC por acción frente a +0,0613 para un GRU. El libro de acciones tiene un Sharpe de +2,50 a 2 pb y es positivo en los cinco años, 2021-2025.
Consulte el documento. Además, no dude en seguirnos en Twitter y no olvide unirse a nuestro SubReddit de más de 150.000 ml y suscribirse a nuestro boletín. ¡Esperar! estas en telegrama? Ahora también puedes unirte a nosotros en Telegram.
¿Necesita asociarse con nosotros para promocionar su repositorio de GitHub O su página principal de Hugging O su lanzamiento de producto O seminario web, etc.? Conéctate con nosotros
Nota: Gracias al equipo de Ant Research por el liderazgo intelectual y los recursos para este artículo. El equipo de Ant Research ha apoyado este contenido/artículo para su promoción.
Asif Razzaq es el director ejecutivo de Marktechpost Media Inc.. Como emprendedor e ingeniero visionario, Asif está comprometido a aprovechar el potencial de la inteligencia artificial para el bien social. Su esfuerzo más reciente es el lanzamiento de una plataforma de medios de inteligencia artificial, Marktechpost, que se destaca por su cobertura en profundidad del aprendizaje automático y las noticias sobre aprendizaje profundo que es técnicamente sólida y fácilmente comprensible para una amplia audiencia. La plataforma cuenta con más de 2 millones de visitas mensuales, lo que ilustra su popularidad entre el público.