งานวิจัย AQuA ของทีมจาก Princeton University, Ant Group และ Stanford University พยายามแก้ปัญหาที่งาน quantitative finance เจอบ่อยมาก แต่คนทั่วไปมักมองไม่เห็น: ถ้าเอเจนต์เป็นคนออกแบบการทดลองของตัวเอง มันอาจทำให้หลักฐานที่ตัวเองเห็นในรอบก่อน “สกปรก” ไปด้วย และเรียนรู้จากสิ่งที่ตัวเองทำให้บิดเบือนได้
แก่นของ AQuA จึงไม่ใช่การทำให้โมเดลฉลาดขึ้นอย่างเดียว แต่คือการแยกคนสร้างสมมติฐานออกจากสิ่งที่ตัดสินผลลัพธ์ ทีมวิจัยเรียกวิธีนี้ว่า asymmetric freedom: เอเจนต์มีอิสระภายใน DSL ของตัวเอง แต่ evaluator ถูกตรึงไว้ภายนอกวงจร adaptive เพื่อกันไม่ให้ข้อมูลรั่วกลายเป็นความสำเร็จปลอม
ปัญหาที่งานวิจัยนี้พุ่งชน
ในงาน quant แค่ feature เล็ก ๆ ที่รั่วก็พอจะทำให้ backtest ดูดีเกินจริง แล้วพอเอาไป iterate ต่อ เอเจนต์ก็จะเก็บความผิดพลาดนั้นไว้เป็น precedent ผลคือ recursion จะขยายทั้ง discovery จริงและ bug ที่ไม่มีใครเห็น งานนี้จึงไม่ใช่แค่เรื่อง accuracy แต่เป็นเรื่อง integrity ของกระบวนการวิจัย
ทีมผู้วิจัยบอกชัดว่า prompt-level instruction หรือ reviewer agent ยังไม่พอ เพราะคนอ่านและคนตรวจอาจมี blind spot เดียวกัน AQuA เลยเลือกตัดท่อนที่ก่อ leakage ออกไปตั้งแต่ต้น แต่ละส่วนกำหนด split, feature definition, label definition และ evaluator ไว้ก่อนเริ่ม iteration แล้วค่อยให้ agent เสนอเพียง expression หรือ config diff ที่จำกัดรูปแบบ
Part I: หา factor แบบมีผู้จัดการกลาง
ส่วนแรกของระบบเป็น pipeline 6 เอเจนต์ ได้แก่ Data Steward, Visual Analyst, Idea Miner, Factor Evaluator, Backtest Engineer และ Research Librarian ทั้งหมดถูก orchestrate โดย AI Manager และไม่คุยกันตรง ๆ ทุก handoff ต้องผ่านผู้จัดการกลางเพื่อให้งานตรวจย้อนหลังได้
factor ที่เข้าไปจึงไม่ใช่ expression ดิบ ๆ แต่เริ่มจาก hypothesis, mechanism, predicted direction และ refutation conditions ก่อน แล้วค่อยประกอบจาก registry ของ formulaic-alpha operators ความน่าสนใจคือ causal structure ถูกบังคับโดย design: operator แบบ time-series อ่านได้แค่ window ที่ตามหลัง ส่วน cross-sectional operator อ่านได้แค่ timestamp ปัจจุบัน
บน universe ของคริปโตความถี่ 5 นาที คะแนน validation Spearman IC แบบรวมไต่ขึ้นไปใกล้ 0.190 หลังผ่าน 20 research epochs เทียบกับ 0.171 ของ adapted AlphaMemo, 0.151 ของ adapted AlphaGen, 0.137 ของ LSTM, 0.106 ของ LightGBM และ 0.075 ของ baseline สไตล์ Alpha158 แต่ตัวเลขต่อ factor เดี่ยว ๆ ยังเล็กมาก อยู่แค่ 0.026 ถึง 0.037 เท่านั้น
Part II: โมเดลพยากรณ์หุ้นระยะสั้น
ส่วนที่สองทำนายผลตอบแทนล่วงหน้า 30 นาทีของหุ้นสหรัฐฯ ในกรอบ intraday โดยใช้ช่วงฝึก 2010–2019, เก็บ 2020 เป็น embargo gap ที่ห้ามแตะ และใช้ 2021–2025 เป็น test data ที่ไม่แตะเลย การเลือกโมเดลย่อยใช้ validation slice จากท้าย training window เท่านั้น เพื่อกันการมองอนาคต
ไอเดียหลักคือหนึ่ง hypothesis เท่ากับหนึ่ง config diff เช่น architecture, loss, sampler หรือ optimizer และทุก diff ต้องสร้าง variant ได้เพียงหนึ่งตัว ผลลัพธ์ที่รายงานเป็น hybrid model ที่ผสม multi-scale 1-D convolution, backbone ที่สลับได้ระหว่าง LSTM, Mamba และ attention, cross-sectional stage, gated fusion และ pooled per-stock readout
เมื่อดูคะแนนรายสินทรัพย์ ตัวเลข raw IC ของโมเดลต่าง ๆ เริ่มจาก +0.0251 ของ ridge, +0.0397 ของ LGB, +0.0434 ของ xLSTM, +0.0535 ของ LSTM, +0.0613 ของ GRU และขึ้นไปถึง +0.0843 สำหรับ hybrid model ซึ่งสูงกว่าตัว baseline ที่ดีที่สุดอยู่ +0.0230 แบบ absolute หรือ 37.5% แบบ relative
จากคะแนนสู่กลยุทธ์
AQuA ไม่ได้หยุดแค่คะแนนทำนาย แต่แปลงมันเป็น dollar-neutral long/short book ด้วยต้นทุนสองขา 2 bps ถ้าปรับ sector-neutralization แล้ว held-out Sharpe ขึ้นไปที่ +2.15 และถ้าใช้ causal volatility-targeting overlay ก็ไปถึง +2.50 ส่วน walk-forward ที่เลือกพารามิเตอร์จากข้อมูลอดีตล้วน ๆ ยังอยู่ที่ +2.00
ตัวเลขเหล่านี้ดูดีมาก แต่ paper ก็ไม่ได้อ้างว่าใช้ได้ทุกตลาดหรือทุกช่วงเวลา และยังระบุว่าค่า IC ของสองส่วนใช้ convention ต่างกัน จึงไม่ควรเอามาเทียบตรง ๆ แบบง่าย ๆ สิ่งที่งานวิจัยอยากพิสูจน์จริง ๆ คือกระบวนการที่ลด leakage และทำให้ผลทดลองยืนบนหลักที่ตรวจซ้ำได้
ความหมายต่อผู้ประกอบการ/ผู้ใช้งานไทย
สำหรับทีมฟินเทค, โบรกเกอร์, หรือแล็บ data science ในไทย งานนี้มีค่ามากในฐานะ “แบบฝึกหัดด้านระเบียบวิธี” มากกว่าผลิตภัณฑ์สำเร็จรูป เพราะมันเตือนตรง ๆ ว่าปัญหาใหญ่ของ quant ไม่ใช่การสร้างโมเดลให้ทำนายเก่งอย่างเดียว แต่คือการออกแบบกระบวนการให้ไม่หลอกตัวเอง
ในมุมของสมาคมโดรนไทย เรามองว่านี่เป็นตัวอย่างที่ดีของการทำ AI research อย่างมีวินัย ถ้าองค์กรไทยจะเอาแนวคิดนี้ไปใช้ ต้องมี data pipeline ที่สะอาด, split ที่กันข้อมูลรั่วได้จริง, และการประเมินที่ตรึงไว้ล่วงหน้า ไม่เช่นนั้นผล backtest ที่สวยอาจกลายเป็นต้นทุนจริงเมื่อเอาไปเทรด
ข้อควรระวังคือ AQuA ยังเป็นงานวิจัย ไม่ใช่เครื่องมือเทรดสำเร็จรูป และไม่ควรถูกตีความว่าเอาไปเทรดได้ทันทีโดยไม่ผ่านการตรวจสอบความเสี่ยง, สภาพคล่อง, ค่าธรรมเนียม, และข้อกำกับดูแลของตลาดไทยหรือประเทศอื่น