Pesquisadores de Princeton, Ant Group e Stanford apresentam AQuA, estrutura de inteligência artificial para pesquisa quantitativa
Uma equipe de pesquisadores das universidades Princeton e Stanford, em parceria com o Ant Group, apresentou o AQuA, uma estrutura de inteligência artificial voltada para pesquisa quantitativa em finanças. O sistema é formado por dois módulos independentes que conduzem, de forma autônoma, a descoberta de fatores de investimento e o desenvolvimento de modelos preditivos, sem compartilhar agentes, memórias ou estados de pesquisa entre si.
O problema central que motivou o projeto está relacionado à forma como agentes baseados em modelos de linguagem conduzem seus próprios experimentos. Quando um sistema de inteligência artificial escreve e avalia suas próprias experiências, existe o risco de que uma variável com vazamento de dados, isto é, que utilize informações do futuro para gerar resultados no passado, obtenha boa pontuação e seja armazenada como precedente bem-sucedido. Nas iterações seguintes, esse erro metodológico pode ser amplificado como se fosse uma descoberta real. Instruções no nível do comando e agentes revisores não resolvem a questão, pois autor e avaliador compartilham os mesmos pontos cegos. O acesso repetido a um conjunto de teste fixo também pode causar sobreajuste adaptativo, um fenômeno em que o modelo se adapta progressivamente aos dados de validação, comprometendo a generalização dos resultados.
Para enfrentar essa limitação, o AQuA adota o que os pesquisadores chamam de liberdade assimétrica. O agente de inteligência artificial pode explorar livremente dentro de uma linguagem de domínio restrita, enquanto os divisões dos dados, as definições de variáveis, os rótulos e o avaliador permanecem selados antes do início de qualquer iteração. Assim, as ações que poderiam induzir vazamento ficam indisponíveis, e apenas expressões de fatores limitadas ou pequenas alterações de configuração são emitidas pelo agente.
A primeira parte do sistema é dedicada à descoberta de fatores simbólicos em um universo de criptomoedas com dados a cada cinco minutos. A estrutura funciona como um pipeline de seis agentes especializados, chamados Data Steward, Visual Analyst, Idea Miner, Factor Evaluator, Backtest Engineer e Research Librarian, todos coordenados por um gerente de inteligência artificial. Os agentes nunca se comunicam diretamente; cada transferência de informação passa pelo gerente, o que mantém o processo auditável. Um novo fator entra no sistema como uma proposta falsificável, contendo hipótese, mecanismo, direção prevista e condições de refutação, antes de ser montado a partir de operadores padronizados. Três ciclos de feedback operam em paralelo: calibração de direção dentro de um backtest, ou seja, um teste que simula o desempenho passado de uma estratégia, atualização de crenças orientada por falsificação e memória entre execuções que orienta a próxima busca.
Os resultados dessa primeira parte mostram que a correlação combinada de validação Spearman IC, medida que avalia a correlação entre a classificação prevista pelos fatores e a classificação realizada dos ativos, subiu ao longo de vinte épocas de pesquisa até aproximadamente 0,190. O desempenho supera o de sistemas adaptados como AlphaMemo, que atingiu 0,171, e AlphaGen, com 0,151, além de modelos tradicionais como LSTM, com 0,137, LightGBM, com 0,106, e uma linha de referência no estilo Alpha158, com 0,075. Individualmente, cada mecanismo permanece fraco, com correlações entre 0,026 e 0,037, o que reforça que o ganho está no processo de pesquisa como um todo e não em uma expressão isolada.
A segunda parte do AQuA é voltada para o desenvolvimento de modelos aplicados a ações dos Estados Unidos em frequência intradiária. O objetivo é prever o retorno forward de cada ativo nos próximos trinta minutos. O treinamento utiliza dados de 2010 a 2019, o ano de 2020 funciona como intervalo de embargo, isto é, um período deliberadamente excluído para evitar qualquer influência, e o período de 2021 a 2025 é reservado como dado de teste intocado. A seleção de modelos ocorre em uma fatia interna de validação retirada apenas do final da janela de treinamento. Nesse módulo, uma hipótese corresponde a uma pequena alteração de configuração, envolvendo arquitetura, função de perda, amostrador ou otimizador, e cada alteração produz exatamente uma variante, o que mantém a comparabilidade entre os modelos.
O preditor final é um modelo híbrido composto por uma frente convolucional unidimensional em múltiplas escalas, uma espinha dorsal configurável que pode ser LSTM, Mamba ou atenção, sendo a atenção a escolha no experimento relatado, além de um estágio cross-sectional que mistura informações entre ativos, fusão por gates e uma leitura agrupada por ativo. Os testes em dados idênticos e com o mesmo avaliador mostraram correlações brutas por ativo de 0,0251 para ridge, 0,0397 para LightGBM, 0,0434 para xLSTM, 0,0535 para LSTM, 0,0613 para GRU e 0,0843 para o modelo híbrido, representando ganho absoluto de 0,0230 sobre a melhor linha de base e ganho relativo de 37,5%.
Na etapa de tradução do sinal em estratégia, a pontuação por ativo foi convertida em uma carteira long/short, ou seja, comprado nos ativos mais bem classificados e vendido nos piores, neutra em dólares, com custo de duas pernas de dois pontos-base. Após neutralização por setor, o índice de Sharpe fora da amostra atingiu 2,15, com valores de treinamento e validação quase iguais. A sobreposição de volatilidade alvo causal elevou o índice para 2,50, e um procedimento walk-forward totalmente causal, que escolhe cada parâmetro apenas com dados passados, ainda alcançou 2,00. O índice de Sharpe anual ficou positivo em todos os anos do período, com 1,7 em 2021, 3,5 em 2022, 1,9 em 2023, 1,8 em 2024 e 2,7 em 2025, mesmo durante o drawdown, isto é, o período de queda acumulada, de 2022.
O conjunto de resultados indica que o AQuA estabelece uma separação metodológica rigorosa entre a exploração criativa dos agentes e a avaliação dos resultados. Os dois módulos independentes do sistema compartilham apenas o princípio da liberdade assimétrica, mas operam sobre dados, ativos e métricas distintos, demonstrando que a melhora no processo de pesquisa é possível sem comprometer a integridade da validação.
