Aliran kerja penyelidikan kuantitatif AI

Tukarkan idea kepada eksperimen yang boleh dipalsukan

Tulis mekanisme yang hendak diuji, pemboleh ubah boleh diperhatikan, alam yang dimaksudkan dan keadaan yang akan menolak idea itu. Ejen boleh membantu menterjemah spesifikasi kepada kod, tetapi tidak patut mentakrif semula kriteria kejayaan selepas melihat hasil. Asingkan soalan pelaksanaan daripada soalan penyelidikan: faktor boleh dikira dengan betul tetapi masih tidak mengandungi isyarat berguna. Simpan spesifikasi kecil sebelum permintaan penjanaan kod pertama supaya eksperimen akhir boleh dibandingkan dengan niat asal.

Pilih peranan yang betul untuk RD-Agent, Qlib dan FinRL

RD-Agent mengautomatikkan sebahagian pembangunan penyelidikan, termasuk pelaksanaan berulang dan maklum balas. Qlib membekalkan aliran kerja kuantitatif untuk data, model dan penilaian. FinRL menyediakan persekitaran penyelidikan pembelajaran pengukuhan. Projek ini boleh memaklumkan peringkat berbeza, tetapi bukan klien sembang yang boleh ditukar ganti. Permintaan LLM tergolong dalam lapisan penaakulan dan pengekodan ejen. Pembinaan ciri, latihan, simulasi dan metrik menggunakan pengiraan dalam persekitaran eksperimen. Rekodkan kedua-dua laluan supaya belanjawan model tidak disalah anggap sebagai belanjawan sumber lengkap.

Betulkan kontrak data sebelum menjana faktor

Dokumentasikan identiti instrumen, zon masa, dasar pelarasan, kalendar dan pengendalian nilai hilang. Untuk penyelidikan ekuiti AS, gunakan dataset AS dan konfigurasi wilayah yang sesuai; menukar label pada contoh pasaran lain tidak memindahkan andaiannya. Kekalkan keahlian alam sejarah dan cap masa penerbitan bagi ciri asas atau teks. Normalisasikan dan padankan transformasi hanya pada data pembangunan yang dibenarkan. Ciri yang dikira daripada penyataan semula kemudian boleh membocorkan maklumat masa depan walaupun tempoh perakaunannya kelihatan berada pada masa lalu.

Gunakan struktur aliran kerja rasmi sebagai sempadan pelaksanaan

Antara muka qrun Qlib yang didokumenkan melaksanakan aliran kerja data, model dan penilaian yang dikonfigurasikan serta merekod artifak. Bekalkan konfigurasi yang telah disemak dan bukannya meminta ejen mengimprovisasi seluruh persekitaran semasa runtime. Arahan di bawah ialah corak seruan rasmi; nama fail mewakili konfigurasi lengkap anda sendiri. Sahkan laluan dataset, wilayah, alam instrumen, penanda aras dan segmen latihan/pengesahan/ujian sebelum pelaksanaan. Pemeriksaan pemuatan data kecil perlu gagal dengan jelas jika sejarah atau medan wajib tidak tersedia.

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

Periksa artifak eksperimen lengkap

Kekalkan kod calon, konfigurasi, identiti persekitaran, seed jika berkaitan, manifes data dan output direkod bersama. Periksa risiko, turnover dan konteks penanda aras selain hasil utama. Rajah Qlib rasmi menggambarkan jenis analisis yang boleh didedahkan aliran kerja kuantitatif. Ia contoh huluan, bukan hasil panduan ini. Carta hanya berguna apabila dagangan atau isyarat asas, andaian input dan tempoh penilaian boleh diperiksa, termasuk selang yang tidak menguntungkan.

Kawal proses carian dan persekitaran pelaksanaan

Berikan kod terjana persekitaran pakai buang yang sumbernya terhad, dengan hanya dataset dan alat yang diperlukan. Semak akses rangkaian, mount fail dan pendedahan rahsia sebelum pelaksanaan. Hadkan bilangan semakan calon dan simpan eksperimen ditolak. Jika ejen berulang kali menggunakan skor tertahan untuk menambah baik kod, skor itu telah menjadi maklum balas pembangunan. Sediakan tetingkap penilaian yang benar-benar tidak disentuh atau reka bentuk penilaian lain yang telah diisytiharkan. Bandingkan calon dengan garis dasar yang sesuai dan rekodkan setiap keputusan pemilihan, bukan pelaksanaan akhir sahaja.

Belanjakan kerja model dan pengiraan secara berasingan

Jejaki penjanaan hipotesis, semakan kod, embedding dan percubaan semula model dalam lejar permintaan. Jejaki latihan, simulasi, storan dan akses data dalam lejar sumber berasingan yang disambungkan melalui ID eksperimen. Cache tempatan boleh mengurangkan kerja berulang tetapi perlu dikunci oleh identiti kod dan data; jika tidak ia boleh memulangkan hasil calon lain. Berhenti apabila belanjawan lelaran atau pengiraan tercapai. Ringkaskan dapatan paling disokong dan ketidakpastian yang tinggal, bukan membiarkan ejen mencari hasil menguntungkan tanpa henti.

Bukti dan skop

Panduan ini menggunakan sumber rasmi RD-Agent, Qlib dan FinRL yang dipautkan di bawah. Corak konfigurasi dan rajah huluan disokong sumber; tiada gelung RD-Agent, larian latihan Qlib, dasar FinRL atau pulangan kewangan dilaksanakan atau diukur untuk halaman ini. Gunakan panduan RD-Agent yang dipautkan untuk konfigurasi model khusus versi dan simpan rekod pelaksanaan berasingan apabila menjalankan eksperimen sendiri.

Soalan lazim