Det-MASO: Diversity-Regularized Multi-Agent Sequential Optimization for Factor Generation
Pubblicata su AIChronos il · fonte del · Tiantian Wu, Peng Yang
Il framework Det-MASO propone un approccio multi-agente sequenziale per la generazione di fattori alfa diversificati e adattivi nel contesto dell'investimento quantitativo. A differenza dei metodi basati su singoli agenti, questo sistema introduce una penalità differenziabile sul log-determinante della matrice di correlazione inter-agenti direttamente nell'obiettivo congiunto. Tale meccanismo scoraggia comportamenti correlati durante l'addestramento con un costo computazionale che scala linearmente rispetto al numero di attività finanziarie. Inoltre, viene utilizzato uno scheduler condizionato al contesto per adattare dinamicamente l'enfasi degli agenti ai diversi regimi di mercato.
- I metodi esistenti basati su singolo agente limitano la esplorazione dello spazio dei fattori e riducono l'adattabilità ai mercati in evoluzione.
- Gli approcci multi-agente tradizionali spesso collassano verso output simili a causa di obiettivi condivisi, mentre le tecniche attuali per la diversità scalano male o agiscono solo post-training.
- La penalità sul log-determinante previene equilibri omogenei e preserva la diversità dei fattori durante l'ottimizzazione senza costi computazionali elevati.
- L'analisi tramite Shapley interaction index caratterizza la struttura di cooperazione emergente tra gli agenti nel sistema Det-MASO.
- Gli esperimenti dimostrano un miglioramento dell'information coefficient del 1.1%, del rendimento annualizzato del 6.4% e del rapporto Sharpe dello 0.33 rispetto alle baseline.
Perché conta. Per uno sviluppatore che lavora con LLM e agenti, questo paper è rilevante perché illustra tecniche avanzate di regolarizzazione della diversità (diversity regularization) applicabili per prevenire il collasso modale o la ridondanza nei sistemi multi-agente. Inoltre, l'uso di penalità differenziabili offre un modello teorico per ottimizzare la cooperazione tra agenti locali senza sacrificare le prestazioni computazionali.
Scheda generata automaticamente da un modello AI locale a partire dalla fonte originale: può contenere imprecisioni.