یک تیم پژوهشی «هابل» را معرفی کرده است؛ چارچوبی مبتنی بر عامل برای کشف خودکار عوامل آلفا در بازارهای سهام که چالش‌های کلیدی ایمنی، تنوع و قابلیت بازتولید را هدف قرار داده است.
این چارچوب مدل‌های زبانی بزرگ (LLM) را با چندین مؤلفه تخصصی ترکیب می‌کند: زبانی مخصوص برای عملگرها، محیط اجرای درخت نحو انتزاعی (AST)، ماژول بازیابی-تکمیلی (RAG) دوکاناله، و مکانیزم انتخاب آگاه از خانواده عوامل. به جای آنکه LLM را به عنوان تولیدکننده کد بدون محدودیت به کار ببرند—رویکردی که ریسک‌های عملیاتی در محیط‌های معاملاتی واقعی ایجاد می‌کند—هابل تولید کاندیداها را به درخت‌های عملگر قابل تفسیر محدود کرده است. هر کاندیدا از طریق خط لوله قطعی مقطعی ارزیابی می‌شود و هم فرمول‌های برتر و هم تشخیص‌های ساختاریافته در سطح خانواده، به دورهای بعدی بازگردانده می‌شوند.
این تیم رویکرد خود را روی حدود ۵۰۰ سهام آمریکایی آزمون کرد. در آزمایش اصلی، ۱۰۴ کاندیدای معتبر در سه دور ارزیابی شدند و در تمام مراحل هیچ خطای اجرایی رخ نداد. عوامل برتر کشف‌شده به جای الگوهای رایج مبتنی بر حجم، از خانواده‌های دامنه، نوسان و روند بودند.
سپس محققان پنج عامل برتر را ثابت نگه داشته و روی بازه‌ای از ژوئن ۲۰۲۵ تا مارس ۲۰۲۶ آزمون کردند. در این بازه، دو عامل دامنه‌ای و دو عامل نوسانی مثبت ماندند و چند مورد از آنها همبستگی معنادار پیرسون (Pearson IC) با اهمیت HAC را نشان دادند. با این حال، ضعیف‌ترین عامل روندی در نمونه اولیه، افت محسوسی داشت که تنوع پایداری عوامل در رژیم‌های مختلف بازار را آشکار می‌سازد.
این یافته‌ها نشان می‌دهد که جستجوی هدایت‌شده توسط LLM می‌تواند از تولید سازگار با نحو فراتر رود و به سمت گردش کاری بازتولید‌پذیر در تحقیقات آلفا حرکت کند که اعتبار، تنوع، قابلیت تفسیر و تعمیم در سطح خانواده را به طور همزمان بهینه می‌سازد. معرفی کانال‌های RAG مثبت و منفی، جریمه‌های شباهت فرمولی، امتیازدهی چندمعیاری استاندارد، گزارش‌دهی همزمان RankIC و Pearson IC، و artifacts تشخیصی پایدار، ابزارهای تحلیلی قوی‌تری برای بررسی‌های پس‌رویدادی فراهم می‌کند.
پیامدهای این رویکرد برای امور مالی کمی بسیار قابل توجه است: با محدودسازی خروجی‌های LLM در ساختارهای عملگر قابل تفسیر و اجرای خط لوله‌های ارزیابی نظام‌مند، هابل مسیری امن‌تر و قابل اعتمادتر برای استفاده از هوش مصنوعی در کشف عوامل ایجاد می‌کند—رویکردی که نگرانی‌های مربوط به ریسک عملیاتی را که پیش‌تر مانع پذیرش روش‌های مولد در محیط‌های معاملاتی واقعی بود، برطرف می‌سازد.
گفتگو