AI 정량 리서치 워크플로

아이디어를 반증 가능한 실험으로 바꾸세요

테스트하려는 메커니즘, 관찰 가능한 변수, 의도한 모집단, 아이디어를 거부하게 될 조건을 적으세요. 에이전트가 이 사양을 코드로 옮기는 데 도움을 줄 수는 있지만 결과를 본 뒤 성공 기준을 다시 정의해서는 안 됩니다. 구현 질문과 리서치 질문을 분리하세요. 팩터가 올바르게 계산되어도 유용한 신호가 없을 수 있습니다. 첫 코드 생성 요청 전에 작은 사양을 저장해 나중의 실험을 원래 의도와 비교할 수 있게 하세요.

RD-Agent, Qlib, FinRL의 적합한 역할을 선택하세요

RD-Agent는 반복 구현과 피드백을 포함한 리서치 개발의 일부를 자동화합니다. Qlib는 데이터, 모델, 평가를 위한 정량 워크플로를 제공합니다. FinRL은 강화학습 리서치 환경을 제공합니다. 이 프로젝트들은 서로 다른 단계를 지원할 수 있지만 서로 바꿔 쓸 수 있는 채팅 클라이언트는 아닙니다. LLM 요청은 에이전트의 추론 및 코딩 계층에 속합니다. 피처 구성, 학습, 시뮬레이션, 지표 계산은 실험 환경에서 계산 자원을 소비합니다. 모델 예산을 전체 리소스 예산으로 오해하지 않도록 두 경로를 모두 기록하세요.

팩터를 생성하기 전에 데이터 계약을 고치세요

금융상품 식별자, 시간대, 조정 정책, 캘린더, 결측값 처리를 문서화하세요. 미국 주식 리서치에는 적절한 미국 데이터셋과 지역 구성을 사용합니다. 다른 시장의 예시에서 라벨만 바꾼다고 가정이 이전되지는 않습니다. 펀더멘털 또는 텍스트 피처를 위해 과거 모집단 구성원과 공개 타임스탬프를 보존하세요. 허용된 개발 데이터에서만 변환을 정규화하고 적합시키세요. 이후 재작성에서 계산한 피처는 회계 기간이 과거로 보이더라도 미래 정보가 누출될 수 있습니다.

공식 워크플로 구조를 실행 경계로 사용하세요

Qlib의 문서화된 qrun 인터페이스는 구성된 데이터, 모델, 평가 워크플로를 실행하고 산출물을 기록합니다. 런타임에 전체 환경을 에이전트가 즉흥적으로 만들게 하지 말고 검토된 구성을 제공하세요. 아래 명령은 공식 호출 패턴이며 파일명은 자체 완전한 구성을 뜻합니다. 실행 전에 데이터셋 경로, 지역, 금융상품 모집단, 벤치마크, train/validation/test 구간(학습/검증/테스트)을 검증하세요. 필요한 이력이나 필드를 사용할 수 없으면 작은 데이터 로딩 확인이 명확히 실패해야 합니다.

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

완전한 실험 산출물을 검사하세요

후보 코드, 구성, 환경 식별자, 필요한 경우 시드, 데이터 매니페스트, 기록된 출력을 함께 보존하세요. 주요 결과뿐 아니라 위험, 회전율, 벤치마크 컨텍스트도 검사합니다. 공식 Qlib 그림은 정량 워크플로가 드러낼 수 있는 분석 유형을 보여줍니다. 이 가이드의 결과가 아니라 업스트림 예시입니다. 불리한 구간을 포함해 기초 거래 또는 신호, 입력 가정, 평가 기간을 검사할 수 있을 때 차트가 유용합니다.

검색 과정과 실행 환경을 제어하세요

생성된 코드에는 필요한 데이터셋과 도구만 있는 폐기 가능하고 리소스가 제한된 환경을 제공하세요. 실행 전에 네트워크 접근, 파일 마운트, 시크릿 노출을 검토합니다. 후보 리비전 수를 제한하고 거부된 실험을 보존하세요. 에이전트가 홀드아웃 점수를 반복적으로 사용해 코드를 개선하면 그 점수는 개발 피드백이 된 것입니다. 실제로 손대지 않은 평가 기간이나 사전에 선언한 다른 평가 설계를 확보하세요. 적절한 기준선과 후보를 비교하고 최종 구현뿐 아니라 모든 선택 결정을 기록하세요.

모델 작업과 계산을 별도로 예산화하세요

가설 생성, 코드 수정, 임베딩, 모델 재시도를 요청 원장에서 추적하세요. 학습, 시뮬레이션, 저장, 데이터 접근은 실험 ID로 연결한 별도 리소스 원장에서 추적합니다. 로컬 캐시는 반복 작업을 줄일 수 있지만 코드와 데이터 식별자로 키를 정해야 합니다. 그렇지 않으면 다른 후보의 결과를 반환할 수 있습니다. 반복 또는 계산 예산에 도달하면 중지하세요. 에이전트가 유리한 결과를 무한히 찾게 두지 말고 가장 근거가 강한 발견과 남은 불확실성을 요약하세요.

근거와 범위

이 안내는 아래에 연결된 RD-Agent, Qlib, FinRL 공식 출처를 바탕으로 합니다. 구성 패턴과 업스트림 그림은 출처에 기반하지만 이 페이지를 위해 RD-Agent 루프, Qlib 학습 실행, FinRL 정책, 금융 수익률을 실행하거나 측정하지 않았습니다. 버전별 모델 구성에는 연결된 RD-Agent 가이드를 사용하고 자체 실험을 실행할 때는 별도의 실행 기록을 보존하세요.

자주 묻는 질문