プリンストン大など、量化金融の自律的因子発見・モデル開発フレームワーク「AQuA」を発表

自らの実験を記述するクオンタitative研究エージェントは、後ほど学習する根拠を損なう恐れがあります。高いスコアを示す欠陥のある特徴が、成功した先例として保存され、後の反復を通じて伝播してしまうのです。プロンプトレベルの指示やレビューを行うエージェントもこれを解決しません。なぜなら、作成者とレビュー者は同じ盲点を共有しているからです。

プリンストン大学、アントグループ、スタンフォード大学の研究者チームは「AQuA」を提案しました。AQuA は、言語モデル駆動の研究システムが対になっており、評価する側は固定されたまま、研究プロセス自体が反復を通じて改善されていきます。一方のシステムは暗号資産で記号的なアルファファクターを発見し、もう一方は米国株式の時系列モデルを開発します。両者はエージェントも記憶も候補空間も研究状態も共有していません。

AQuA が解決しようとする失敗モード

クオンタitative 研究は、説得力はあるが再現不可能なバックテストを生む小さな方法論的エラーで破綻します。これは Bailey らの論文以来、文書化されています。エージェント自身が実験を記述する場合、この問題はさらに深刻化します。高いスコアを示す欠陥のある特徴が先例として保存され、検出されないバグも真の発見と同様に再帰によって増幅されてしまうからです。

プロンプトレベルの指示やモデルレビューは、完全性の境界線ではありません。固定されたホールドアウトデータへの繰り返しアクセスは適応的な過学習を招き、LLM エージェントが不適切に設定された目的関数や評価指標を悪用する事例も確認されています。

これに対し AQuA は、情報漏洩を引き起こす可能性のあるアクション自体を不可能にします。各パートでは、イテレーション開始前にデータ分割、特徴量とラベルの定義、評価基準を固定し、エージェントが発行できるのは制約された因子表現か設定差分のいずれかに限定されます。

研究チームはこのアプローチを「非対称的自由」と呼びます。エージェントは DSL（ドメイン固有言語）内で自由に探索できますが、評価者は適応的な表面領域の外側に位置します。こうして改善されるのは、研究プロセスそのものです。

インタラクティブな解説機能付き

パート I：マネージャー仲介による因子発見

パート I は、データ管理役、ビジュアルアナリスト、アイデア発掘担当、因子評価者、バックテストエンジニア、研究ライブラリアンの 6 つのエージェントからなるパイプラインです。これらは AI マネージャーによって統括されます。

エージェント同士が直接呼び合うことはなく、すべての引継ぎはマネージャーを経由します。これにより、実行履歴の監査が可能になります。

ファクターとは、単なる表現ではなく、反証可能な提案として導入されます。具体的には仮説、メカニズム、予測される方向性、そして反証条件を指します。その後、標準的な数式アルファ演算子レジストリから組み立てられます。時系列演算子が後続のウィンドウのみを読み込み、クロスセクション演算子が現在のタイムスタンプのみを読み込むため、因果関係は合成の下で閉じています。

3 つのフィードバックループが機能します。1 つ目はバックテスト内での方向性の較正、2 つ目は実行中の反証駆動型信念更新、そして 3 つ目は次の検索を誘導する実行間メモリーです。

暗号資産の 5 分足ユニバースにおいて、統合検証 Spearman IC は 20 の研究エポックを経て約 0.190 に上昇します。これに対し、適応版 AlphaMemo は 0.171、適応版 AlphaGen は 0.151、LSTM は 0.137、LightGBM は 0.106、Alpha158 スタイルのベースラインは 0.075 です。個々のメカニズム自体は弱く、単一ファクターの IC は 0.026 から 0.037 の範囲です。主張の核心は特定の表現ではなく、それを活用するハッチ（枠組み）にあります。

第 II 部：設定駆動型モデル開発

第 II 部では、米国株式のインtraday データを用いて、各銘柄の今後 30 分間の先行リターンを予測します。学習は 2010 年から 2019 年にかけて行われ、2020 年は一切触れられない embargo gap（禁輸期間）として設定されています。残りの 2021 年から 2025 年のデータは untouched test data（未使用のテストデータ）です。選択プロセスでは、学習ウィンドウの末尾からのみ抽出された内側検証スライスが用いられます。

ここでは仮説を「構成要素の差分」として定義します。アーキテクチャ、損失関数、サンプリング手法、またはオプティマイザーの変更が 1 つの差分となり、それぞれがちょうど 1 つの変異体（バリアント）を生み出します。これにより、変異体間の比較可能性を維持できます。

予測モデルはハイブリッド構造です。マルチスケール 1 次元畳み込み層で構成されるフロントエンドに加え、LSTM、Mamba、アテンション（報告された実験ではアテンションを使用）を柔軟に組み合わせたバックボーン、パネル全体を横断するクロスセクションステージ、ゲート付き融合機構、そして個々の銘柄ごとの読み出しを行うプーリング層から成り立っています。

単一の価格・出来高特徴量だけがシグナルを持っているわけではありません。最も強い特徴量は -0.031 の 5 分リターンですが、リッジ回帰による組み合わせでは +0.025 に留まります。同じデータと評価器を用いた異なるモデルファミリー間での比較では、銘柄ごとの生 IC（相関係数）は以下の通りです：+0.0251（リッジ）、+0.0397（LGB）、+0.0434（xLSTM）、+0.0535（LSTM）、+0.0613（GRU）、そしてハイブリッドモデルでは +0.0843。これは最良のベースラインに対して絶対値で +0.0230、相対的に 37.5% の向上です。なお、両部分の IC は異なる基準を採用しており、論文では明確に「比較すべきではない」と述べています。

シグナルから戦略へ

銘柄ごとのスコアは、2 レッグで取引コスト 2 bps を想定し、ドルニュートラルな閾値ベースのロング/ショートポートフォリオに変換されます。セクターニュートラライゼーションを適用すると、保持されたデータにおけるシャープレシオは +2.15 に向上し、訓練時と保持時の値がほぼ一致します。因果関係に基づくボラティリティ・ターゲティングのオーバーレイを追加すると +2.50 となり、過去データのみからすべてのパラメータを逐次選択する完全な因果的ウォークフォワード手法でも +2.00 を達成できます。銘柄ごとの決定係数（R²）は 1.20% です。年別シャープレシオは 2021 年から 2025 年にかけてそれぞれ +1.7、+3.5、+1.9、+1.8、+2.7 で、2022 年の下落局面を含むすべての年でプラスを記録しています。

Key Takeaways

独立した 2 つの研究ループ、すなわち「ファクター発見」と「モデル開発」は、エージェント・メモリ・状態を共有しません。

自由度には非対称性があります。エージェントは DSL（ドメイン固有言語）内で探索を行いますが、スプリット機能、特徴量、ラベル、評価器は固定されています。

第 I 部では暗号資産市場で総合 IC が約 0.190 を達成し、第 II 部では個別銘柄の IC が GRU の +0.0613 を上回る +0.0843 を記録しました。

株式ポートフォリオは、2021 年から 2025 年までの 5 年間すべてでプラスとなり、スプレッド 2bps でシャープレシオ +2.50 を達成しています。

論文はこちら。また、Twitter や 15 万人以上の ML サブレッド、ニュースレターへの登録もぜひご検討ください。Telegram を利用している方も、今なら Telegram チャンネルに参加できます。

注：本記事の執筆・リソース提供に貢献いただいた Ant Research チームに感謝いたします。同チームは本コンテンツのプロモーションをサポートしています。

（この記事は元々 MarkTechPost に掲載されたものです）