Agents IA en finance : AQuA évite l'auto-triche dans la recherche quantitative
Une équipe de Princeton, Ant Group et Stanford a conçu AQuA, un cadre à deux agents qui garantit l'intégrité de la recherche en finance quantitative en gelant l'évaluateur avant toute expérience. Le système sépare la découverte des facteurs et la modélisation en deux compartiments étanches, empêchant les agents de rétro-ajuster des caractéristiques favorables dans leurs propres évaluations et évitant ainsi le piège classique du backtest-overfitting.
L'évaluateur reste sous clé
Les garde-fous traditionnels au niveau des prompts échouent car l'auteur et le réviseur partagent les mêmes angles morts. AQuA isole au contraire l'évaluateur de la surface adaptative : les séparations, définitions de caractéristiques et étiquettes sont figées avant la première itération, et les agents ne peuvent émettre qu'une expression de facteur contrainte ou une unique différence de configuration. Les auteurs qualifient cela de liberté asymétrique : l'agent explore librement dans un langage spécifique au domaine, tandis que l'évaluateur reste extérieur, indemne des découvertes de l'agent.
Deux boucles, deux domaines
La Partie I – Découverte de facteurs par gestionnaire intermédiaire coordonne six agents — Data Steward (Gestionnaire de données), Visual Analyst (Analyste visuel), Idea Miner (Extracteur d'idées), Factor Evaluator (Évaluateur de facteurs), Backtest Engineer (Ingénieur de backtests) et Research Librarian (Bibliothécaire de recherche) — via un AI Manager qui garantit la traçabilité de chaque transfert. Les hypothèses entrent sous forme de propositions falsifiables (direction, mécanisme, conditions de réfutation) et ne sont assemblées qu'ensuite à partir d'un registre standardisé d'opérateurs. Sur un univers crypto de cinq minutes, l'IC de validation de Spearman combiné atteint environ 0,190 après 20 époques, surpassant AlphaMemo, AlphaGen, LSTM, LightGBM et une référence de type Alpha158 adaptée.
La Partie II – Développement de modèles par configuration cible les actions US intraday en prédisant le rendement futur de chaque titre sur les trente prochaines minutes. La période d'entraînement couvre 2010–2019, 2020 sert d'intervalle de verrouillage, et 2021–2025 constitue un jeu de données de test intact. La sélection utilise une tranche de validation interne issue de la fin de la fenêtre d'entraînement, et chaque hypothèse se réduit à une unique différence de configuration (architecture, perte, échantillonneur ou optimiseur).
Pourquoi c'est important
Sans contrôle, la recherche pilotée par LLM peut amplifier des motifs fallacieux en stratégies apparemment robustes. En figeant l'évaluateur et en imposant des limites strictes sur les modifications autorisées, AQuA introduit une couche d'intégrité pratique pour la recherche quantitative autonome. L'accent mis sur les hypothèses falsifiables et les boucles de mémoire isolées offre un modèle plus large pour une IA de recherche fiable, au-delà du trading — où la reproductibilité et l'auditabilité sont incontournables.
Source : MarkTechPost. Synthèse éditoriale assistée par IA — TechnoExpress.