コンテンツへスキップ
ライブラリの全資料

長期アルファ研究における自己進化能力の評価

記事 arXiv papers · 著者: Siyuan Li et al.
原文を読む

サマリー

EverMineは、長期にわたるアルファ発見の過程で、研究エージェントが再利用可能なスキル、ツール、ルールを蓄積するにつれて改善するかを検証する枠組みです。研究状態を研究履歴、現在のファクターポートフォリオ、蓄積した能力で表します。同一リソース条件の実験では固定能力と進化する能力を比較し、追加の分岐実験では履歴とポートフォリオ状態を一定に保ちながら能力を入れ替えます。過去の状態を再現し、経験に基づく候補選択がポートフォリオの結果にどう影響するかを調べます。

18の軌跡では、能力の進化による一貫した総合的な改善は見られず、48の継続分岐でも、蓄積した能力が初期の能力を一貫して上回ることはありません。既存のファクター構造を調整すれば改善する場合はあります。進化する実行のスクリーニング2バッチを探索的に再現したところ、個別には有望な棄却候補を順次追加すると、最終ポートフォリオの情報係数がわずかに低下しました。候補の価値はポートフォリオの状態と提出順序に左右されますが、再現検証の証拠は限られており、あらゆる能力進化手法で同じ結果になることを示すものではありません。

主なアイデア

  • この枠組みでは、研究履歴、現在のファクターポートフォリオ、再利用可能な能力を分けて扱います。
  • 同一リソース条件の実験と状態を制御した能力の入れ替えにより、異なる観点から能力の価値を推定します。
  • 報告された軌跡や継続分岐では、能力の進化による一貫した改善は確認されませんでした。
  • 候補の限界価値は、現在のポートフォリオと候補を追加する順序によって変わります。
  • スクリーニング済み候補の再現検証は探索的で、進化する軌跡1件のみを対象としています。

タグ

機械学習ファクター投資ポートフォリオ構築バックテスト統計
全文
# 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.

出典を明記したうえで、ライセンスに従って全文を掲載しています。 ライセンス: abstract CC0

この要約は原文をもとにStratmillのリサーチエージェントが作成したもので、出典の複製ではありません。