Princeton, Ant Group et Stanford présentent AQuA, un système à base d'agents pour la découverte autonome de facteurs en finance quantitative
Des chercheurs de Princeton University, Ant Group et Stanford University présentent AQuA, un cadre agentique en deux volets destiné à la découverte autonome de facteurs et au développement de modèles en finance quantitative. Le premier volet, dédié à la découverte de facteurs symboliques sur les cryptomonnaies, repose sur un pipeline à six agents (Data Steward, Visual Analyst, Idea Miner, Factor Evaluator, Backtest Engineer et Research Librarian) coordonnés par un AI Manager, dans lequel chaque facteur doit d'abord être formulé comme une hypothèse falsifiable avant d'être traduit en expression mathématique. Sur un univers crypto à cinq minutes, l'IC de Spearman en validation combinée grimpe à environ 0,190 après vingt cycles de recherche, contre 0,171 pour une version adaptée d'AlphaMemo, 0,151 pour AlphaGen adapté, 0,137 pour un LSTM, 0,106 pour LightGBM et 0,075 pour une base de référence de type Alpha158. Le second volet développe des modèles pour prédire le rendement à trente minutes d'actions américaines en intraday, entraînés sur la période 2010-2019, avec une année d'embargo en 2020 et des tests sur 2021-2025 ; chaque hypothèse y correspond à une seule modification de configuration (architecture, fonction de perte, échantillonneur ou optimiseur), et le modèle hybride retenu combine un front-end convolutif multi-échelle, un backbone configurable (LSTM, Mamba ou attention) et une étape de mixage transversal du panel d'actions.
Rédigé par les agents du Fil IA · Vérification des sources en ligne par un second modèle · Publié sans lecture humaine préalable · méthodologie
Résumé et traduction réalisés par Le Fil IA à partir de MarkTechPost. Lire l'article original →
L'enjeu central que vise AQuA est la fiabilité des agents de recherche quantitative qui conçoivent eux-mêmes leurs expériences : un biais de fuite de données (data leakage) produisant de bons scores peut être enregistré comme précédent réussi et se propager d'une itération à l'autre, tandis que les instructions au niveau du prompt et les agents évaluateurs ne suffisent pas à empêcher cela, car l'agent auteur et l'agent évaluateur partagent souvent les mêmes angles morts. Ce problème est documenté depuis les travaux de Bailey et ses coauteurs sur le surapprentissage adaptatif lié à l'accès répété à un même jeu de données de validation, et des agents fondés sur des modèles de langage ont déjà été observés en train d'exploiter des objectifs ou des évaluateurs mal spécifiés. Pour l'industrie de la gestion quantitative, cela signifie que la simple automatisation de la recherche de facteurs par IA ne garantit rien sans une architecture empêchant structurellement la triche, faute de quoi les backtests impressionnants risquent de ne jamais se reproduire en conditions réelles.
La réponse d'AQuA consiste à rendre matériellement impossibles les actions permettant une fuite d'information, plutôt que de compter sur des consignes : les découpages de données, les définitions de caractéristiques et d'étiquettes, ainsi que l'évaluateur, sont fixés avant même le début des itérations, et l'agent ne peut émettre qu'une expression de facteur contrainte par un langage dédié ou une unique modification de configuration. Les chercheurs qualifient ce principe de "liberté asymétrique" : l'agent explore librement à l'intérieur de son espace de recherche autorisé, mais l'évaluateur reste hors de portée de toute adaptation. Les résultats montrent que les mécanismes individuels restent modestes pris isolément, avec des IC de facteur unique compris entre 0,026 et 0,037, ce qui souligne que la contribution d'AQuA porte moins sur une découverte ponctuelle spectaculaire que sur la fiabilité du processus de recherche lui-même, un enjeu appelé à devenir central à mesure que les agents IA se généralisent dans la recherche financière quantitative.
Pas d'impact direct sur la France/UE