AlphaMemo: ИИ-агент для поиска альфа-факторов с AST-памятью

В новой научной работе представлен AlphaMemo — агент на основе больших языковых моделей (LLM), предназначенный для автоматического поиска альфа-факторов в количественных финансах. Система объединяет финансовые приоритеты, символьные рассуждения, генерацию исполняемых факторов и итеративное улучшение на основе обратной связи.

Ключевая проблема альфа-майнинга — комбинаторный взрыв пространства поиска, зашумлённая нестационарная обратная связь, повторяющиеся открытия и риск переобучения при наивном использовании прошлых успехов. AlphaMemo решает эти задачи с помощью структурированной памяти процесса поиска.

Вместо запоминания только итоговых факторов или полных траекторий, AlphaMemo фиксирует воспроизводимые паттерны: какие редакционные мотивы (edit motifs) работают или терпят неудачу в контексте конкретных родительских факторов. Для этого система извлекает мотивы из различий абстрактных синтаксических деревьев (AST-diff), применяет уверенно-взвешенную остаточную память поверх априорного журнала поиска и использует асимметричное вето для подавления паттернов с высокой вероятностью неудачи.

Эксперименты проводились на двух наборах данных: китайском индексе CSI 500 и американском S&P 500. Результаты показали улучшение вневыборочной производительности и эффективности обнаружения при фиксированном бюджете.

Абляции подтвердили роль ключевых компонентов: остаточного обучения, уверенного гейтинга, AST-мотивов и памяти вето. Код проекта опубликован на GitHub.

Разработка может быть полезна для количественных аналитиков и исследователей, занимающихся автоматизированным поиском инвестиционных сигналов.