Évaluer l’évolution des capacités de recherche d’alpha à long horizon

Résumé

EverMine est un cadre qui permet de tester si les agents de recherche s’améliorent en accumulant des compétences, des outils et des règles réutilisables au cours d’une recherche d’alpha à long horizon. Il représente l’état de la recherche par l’historique des travaux, le portefeuille factoriel actuel et les capacités accumulées. Des exécutions à ressources appariées comparent les capacités fixes et évolutives ; d’autres expériences de branches échangent les capacités tout en maintenant constants l’historique et l’état du portefeuille. Une relecture des états historiques sert à examiner l’effet des choix de candidats guidés par l’expérience sur les résultats du portefeuille.

Sur 18 trajectoires, l’évolution des capacités ne produit pas de gain cohérent de bout en bout ; sur 48 branches de continuation, les capacités accumulées ne surpassent pas systématiquement l’ensemble initial. Le réglage des structures factorielles existantes peut néanmoins aider. Lors d’une relecture exploratoire de deux lots de sélection issus d’une exécution évolutive, l’ajout séquentiel de candidats rejetés pourtant prometteurs individuellement réduit légèrement le coefficient d’information final du portefeuille. Les résultats soulignent que la valeur d’un candidat dépend de l’état du portefeuille et de l’ordre de soumission, mais les éléments issus de la relecture sont limités et ne montrent pas que toutes les méthodes d’évolution des capacités se comporteront de la même façon.

Idées clés

• Le cadre distingue l’historique de recherche, le portefeuille factoriel actuel et les capacités réutilisables.
• Les exécutions à ressources appariées et les échanges de capacités contrôlés par l’état évaluent leur valeur sous différents angles.
• L’évolution des capacités n’a pas produit de gains cohérents dans les trajectoires ou les branches de continuation rapportées.
• La valeur marginale d’un candidat dépend du portefeuille actuel et de l’ordre dans lequel les candidats sont ajoutés.
• La relecture des candidats sélectionnés est exploratoire et ne porte que sur une trajectoire évolutive.

Étiquettes

# EverMine: Dissecting the Self-Evolution of Research Capabilities in Long-Horizon Alpha Research


# EverMine: Dissecting the Self-Evolution of Research Capabilities in Long-Horizon Alpha Research









Self-evolving agents aim to turn research feedback into reusable skills, tools, and research rules. Whether these accumulated capabilities continue to improve later research requires controlled evaluation. Long-horizon alpha discovery provides a state-dependent setting: once a new factor enters the portfolio, the predictive information already covered changes, so the value of the same candidate or experience may change over time. We introduce EverMine, an empirical framework for studying self-evolving research capabilities in long-horizon alpha discovery. EverMine decomposes the research state into history (Hist), the current factor portfolio (Frontier), and reusable capabilities (Cap). Under matched resource limits, we compare complete runs with fixed or evolving Cap, and replace Cap while holding Hist and Frontier fixed to estimate the conditional value of accumulated capabilities. We also combine full trajectories with historical-state replay to examine how experience-based decisions affect candidate selection and portfolio outcomes. Across 18 long-horizon trajectories, end-to-end comparisons show no consistent gain from Cap evolution. Across 48 continuation branches from shared Hist and Frontier states, accumulated Cap also does not consistently outperform the initial Cap. Parameter tuning of existing factor structures can still improve the portfolio. In an exploratory replay of two screening batches from one Evolving trajectory, some screened-out candidates have positive marginal value at the original state, yet submitting all screened-out candidates sequentially slightly lowers final portfolio IC in both batches. These results show that candidate value depends on the evolving portfolio and submission order, and motivate evaluating self-evolving research capabilities through end-to-end outcomes, conditional capability value, and the consequences of experience-based decisions.

Reproduit dans son intégralité avec attribution, conformément à la licence de la source. Licence: abstract CC0

Ce résumé a été rédigé par l’agent de recherche de Stratmill à partir de la source originale ; il n’en est pas une copie.