Alur kerja riset kuantitatif dengan AI

Ubah ide menjadi eksperimen yang dapat dibantah

Tuliskan mekanisme yang ingin diuji, variabel yang dapat diamati, universe yang dituju, dan kondisi yang akan menolak ide tersebut. Agen dapat membantu menerjemahkan spesifikasi itu menjadi kode, tetapi tidak boleh mendefinisikan ulang kriteria keberhasilan setelah melihat hasil. Pisahkan pertanyaan implementasi dari pertanyaan riset: faktor dapat dihitung dengan benar tetapi tetap tidak memiliki sinyal yang berguna. Simpan spesifikasi kecil sebelum permintaan pembuatan kode pertama agar eksperimen akhir dapat dibandingkan dengan maksud awal.

Pilih peran yang tepat untuk RD-Agent, Qlib, dan FinRL

RD-Agent mengotomatiskan bagian pengembangan riset, termasuk implementasi dan umpan balik berulang. Qlib menyediakan alur kuantitatif untuk data, model, dan evaluasi. FinRL menyediakan lingkungan riset reinforcement learning. Proyek-proyek ini dapat mengisi tahap berbeda, tetapi bukan client chat yang dapat dipertukarkan. Permintaan LLM berada di lapisan penalaran dan coding agen. Konstruksi fitur, pelatihan, simulasi, dan metrik mengonsumsi komputasi di lingkungan eksperimen. Catat kedua jalur agar anggaran model tidak disalahartikan sebagai seluruh anggaran sumber daya.

Perbaiki kontrak data sebelum membuat faktor

Dokumentasikan identitas instrumen, zona waktu, kebijakan penyesuaian, kalender, dan penanganan nilai hilang. Untuk riset ekuitas AS, gunakan dataset AS dan konfigurasi wilayah yang sesuai; mengganti label pada contoh pasar lain tidak memindahkan asumsinya. Pertahankan keanggotaan universe historis dan stempel waktu publikasi untuk fitur fundamental atau tekstual. Normalisasi dan fit transformasi hanya pada data pengembangan yang diizinkan. Fitur yang dihitung dari restatement kemudian dapat membocorkan informasi masa depan meski periode akuntansinya tampak berada di masa lalu.

Gunakan struktur alur resmi sebagai batas eksekusi

Antarmuka qrun Qlib yang terdokumentasi menjalankan alur data, model, dan evaluasi yang dikonfigurasi serta mencatat artefak. Sediakan konfigurasi yang telah ditinjau alih-alih meminta agen mengimprovisasi seluruh lingkungan saat runtime. Perintah di bawah adalah pola pemanggilan resmi; nama file mewakili konfigurasi lengkap milik Anda. Validasi path dataset, region, universe instrumen, benchmark, dan segmen train/validation/test sebelum eksekusi. Pemeriksaan pemuatan data kecil harus gagal dengan jelas jika riwayat atau kolom yang diperlukan tidak tersedia.

# Requires an installed Qlib environment and a reviewed configuration.
qrun configuration.yaml

Periksa artefak eksperimen lengkap

Simpan kode kandidat, konfigurasi, identitas lingkungan, seed bila relevan, manifest data, dan output tercatat bersama-sama. Periksa risiko, turnover, serta konteks benchmark selain hasil utama. Gambar Qlib resmi mengilustrasikan jenis analisis yang dapat ditampilkan alur kuantitatif. Itu contoh service, bukan hasil dari panduan ini. Grafik hanya berguna bila trade atau sinyal yang mendasarinya, asumsi input, dan periode evaluasi dapat diperiksa, termasuk interval yang tidak menguntungkan.

Kendalikan proses pencarian dan lingkungan eksekusi

Berikan kode yang dibuat lingkungan yang dapat dibuang dan dibatasi sumber daya, hanya dengan dataset serta alat yang diperlukan. Tinjau akses jaringan, mount file, dan paparan rahasia sebelum eksekusi. Batasi jumlah revisi kandidat dan pertahankan eksperimen yang ditolak. Jika agen berulang kali menggunakan skor held-out untuk memperbaiki kode, skor tersebut telah menjadi umpan balik pengembangan. Sisakan jendela evaluasi yang benar-benar belum disentuh atau desain evaluasi lain yang telah dideklarasikan. Bandingkan kandidat dengan baseline yang sesuai dan catat setiap keputusan pemilihan, bukan hanya implementasi final.

Anggarkan pekerjaan model dan komputasi secara terpisah

Lacak pembuatan hipotesis, revisi kode, embedding, dan percobaan ulang model dalam ledger permintaan. Lacak pelatihan, simulasi, penyimpanan, dan akses data dalam ledger sumber daya terpisah yang dihubungkan dengan experiment ID. Cache lokal dapat mengurangi pekerjaan berulang, tetapi harus diberi key berdasarkan identitas kode dan data; jika tidak, cache dapat mengembalikan hasil kandidat lain. Berhenti saat anggaran iterasi atau komputasi tercapai. Ringkas temuan yang paling didukung dan ketidakpastian yang tersisa, jangan biarkan agen mencari hasil yang menguntungkan tanpa batas.

Bukti dan cakupan

Panduan ini menggunakan sumber resmi RD-Agent, Qlib, dan FinRL yang ditautkan di bawah. Pola konfigurasi dan gambar service didukung sumber; tidak ada loop RD-Agent, run pelatihan Qlib, kebijakan FinRL, atau imbal hasil keuangan yang dieksekusi maupun diukur untuk halaman ini. Gunakan panduan RD-Agent yang ditautkan untuk konfigurasi model khusus versi, dan simpan catatan eksekusi terpisah saat menjalankan eksperimen Anda sendiri.

Pertanyaan umum