Ich werde aufschlüsseln, wie man den Schwarm von KI-Agenten baut, der ein ganzes quantitatives Forschungsteam ersetzt.
Kommen wir direkt zur Sache.
Lesezeichen setzen
- Ich bin Roan, ein Backend-Entwickler, der an Systemdesign, HFT-artiger Ausführung und quantitativen Handelssystemen arbeitet. Meine Arbeit konzentriert sich darauf, wie sich Vorhersagemärkte tatsächlich unter Last verhalten. Bei Vorschlägen, durchdachten Kooperationen und Partnerschaften sind DMs geöffnet.
In meinem letzten Artikel sagte ich, ich würde persönlich die ersten 20 Aufbauten von jedem durchgehen, der ein KI-Quant-System baut. Das war ernst gemeint.
Vier Bauherren sind bereits tief im Prozess mit mir. Einer von ihnen führt gerade die vollständige, sich selbst verbessernde Hedgefonds-Schleife aus.
Das Angebot steht noch.
Wenn du ein Alpha-Forschungssystem baust, kurz davor bist, es zu starten, oder auch nur darüber nachdenkst, antworte unter diesem Artikel oder schick mir eine DM mit deinem aktuellen Setup. Ich werde persönlich deine Architektur durchgehen und dir die Lücke zeigen zwischen dem, was du hast, und einem Schwarm, der selbstständig auf Alpha-Jagd geht.
Wenn ich nicht antworte, warst du nicht unter den ersten 20. Sei schnell.
Die meisten Quants jagen Alpha immer noch so wie vor einem Jahrzehnt.
Sie lesen ein Paper. Sie öffnen ein Jupyter-Notebook. Sie entwickeln ein paar Features. Sie führen einen Backtest durch. Sie schielen auf die Sharpe Ratio. Sie gehen zur nächsten Idee über.
Sie sind die Pipeline.
Jede Phase der Forschung sind sie, die vor einem Bildschirm sitzen und eine Hypothese nach der anderen testen.
Die klügsten Quant-Bauherren der Welt haben damit aufgehört.
Sie bauen Schwärme. Jeder Agent im Schwarm besitzt eine Phase der Forschung. Die Agenten arbeiten parallel. Der Schwarm läuft kontinuierlich. Jeden Morgen erscheint neues Alpha, während sie schlafen.
Boris Cherny, der Leiter von Claude Code bei Anthropic, sagte es vor zwei Wochen. „Ich gebe Claude keine Prompts mehr. Ich habe Schleifen laufen, die Claude prompten und herausfinden, was zu tun ist. Mein Job ist es, Schleifen zu schreiben."
Dieser eine Satz hat die Denkweise jedes ernsthaften Bauherren auf der Erde über KI neu ausgerichtet.
Für die Quant-Forschung ändert es alles.
Denn Alpha-Forschung ist bereits eine Pipeline. Lies das Paper. Extrahiere die Hypothese. Entwickle die Features. Führe einen Backtest über 20 Jahre Daten durch. Überprüfe die Signifikanz. Überprüfe, ob das Signal über verschiedene Regime hinweg Bestand hat. Zerlege es gegen jeden bekannten Faktor.
Jeder ernsthafte Fonds an der Wall Street betreibt genau diese Pipeline. Renaissance betreibt sie mit 100 PhDs. Two Sigma mit 200. Citadel mit noch mehr.
Der einzige Unterschied ist, dass sie Hunderte von Menschen brauchen, die in der Pipeline sitzen. Du nicht.
Ein Schwarm von KI-Agenten kann jede Phase dieser Pipeline für dich betreiben. Jeder Agent spezialisiert. Jeder Agent läuft auf dem Modell, das seiner Komplexität entspricht. Alle laufen 24/7 parallel.
Ich habe diesen Schwarm in den letzten Tagen gebaut.
Er liest über Nacht neue Forschungspapiere. Er studiert die darin enthaltene Mathematik. Er extrahiert die genaue behauptete Hypothese. Er entwickelt die erforderlichen Features. Er testet das Signal gegen 20 Jahre Historie. Er führt die statistische Strenge durch. Er prüft auf Overfitting. Er markiert alles, was nur in einem Marktregime funktioniert.
Am Ende dieses Artikels wirst du die genaue Architektur eines Sechs-Agenten-Alpha-Forschungsschwarms kennen.
Du wirst das Tool kennen, mit dem du es an einem Wochenende bauen kannst, ohne dein eigenes Agenten-Framework von Grund auf neu zu schreiben.
Und du wirst die fünf Fehlermodi kennen, die 90 Prozent der privaten Versuche zum Scheitern bringen.
Lass uns loslegen.
Teil 1: Was ein Schwarm eigentlich ist
Ein Prompt ist eine Frage. Du fragst, das Modell antwortet einmal und hört auf.
Eine Schleife ist ein Job. Der Agent arbeitet weiter, überprüft seinen eigenen Fortschritt und macht weiter, bis die Aufgabe tatsächlich erledigt ist.
Ein Schwarm ist eine Menge von Schleifen, die parallel laufen. Jede Schleife ist ein Spezialist. Jeder Spezialist besitzt eine Phase der Pipeline. Die Ausgabe der einen speist die Eingabe der nächsten.
Das ist das gesamte mentale Modell.
Wenn du Claude Code, Cursor oder Codex verwendet hast, hast du ohne es zu wissen eine Schleife benutzt. Der Agent ruft ein Modell auf, das Modell wählt eine Aktion, die Aktion wird ausgeführt, das Ergebnis geht zurück zum Modell, und es wiederholt sich, bis das Ziel erreicht ist.
Die Schleife ist das, was einen Agenten zu einem Agenten macht, anstatt zu einer einzelnen Antwort.
Ein Schwarm ist das, was ein Forschungsteam zu einem Forschungsteam macht, anstatt zu einem einzelnen Forscher, der tippt.
Teil 2: Das Tool, das den Schwarm betreibt
Du könntest versuchen, das selbst mit Python-Skripten zu bauen, die verschiedene APIs aufrufen.
Ich habe es versucht. Es bricht in dem Moment, in dem ein Agent auf einen anderen warten muss. Es bricht in dem Moment, in dem der Zustand über Zyklen hinweg erhalten bleiben muss. Es bricht in dem Moment, in dem du sechs Schleifen parallel auf verschiedenen Modellen laufen lassen willst.
Am Ende baust du dein eigenes Agenten-Framework von Grund auf neu, anstatt zu forschen.
Dann habe ich Slate gefunden.
Slate ist ein KI-Coding-Geschirr, das von @wearerandomlabs gebaut wurde. Es läuft in deinem Terminal. Es fächert jede Aufgabe in einen Schwarm von Unteragenten in deiner Codebasis auf. Es wählt jedes beliebige Modell für jeden Schritt aus. Dein bestehendes Abonnement funktioniert.
Der Grund, warum ich es für diesen Schwarm verwende, ist eine Fähigkeit, die sie gerade eingeführt haben, genannt Programs.
Ein Program ist eine in JavaScript geschriebene Schleife, die Slate für dich ausführt.
Ein Prompt läuft einmal und stoppt. Ein Program ist eine entwickelte Schleife. Es läuft kontinuierlich. Es hält den Zustand zwischen den Läufen. Es macht weiter, bis die Aufgabe erledigt ist.
Du entscheidest, was bei jedem Schritt passiert. Welches Modell welchen Schritt bearbeitet. Was die Schleife überprüft, bevor sie fortfährt. Wann sie anhält.
Du schreibst das Program nicht allein. Du sagst Slate, was du willst, und es entwirft die Schleife mit dir, Schritt für Schritt. Es speichert die Schleife. Es führt sie aus. Es führt sie immer weiter aus.
Da die Schleife Code ist, kann sie Zustände halten, mit deiner Codebasis interagieren, externe APIs aufrufen, in Slack posten und mehrere Unteragenten parallel auf jeder von dir gewählten Modellkombination orchestrieren. Billiges Open-Weight-Modell für die einfache Arbeit. Frontier-Modell für die schwierige Argumentation. Was auch immer zum Schritt passt.
Für einen Sechs-Agenten-Forschungsschwarm ist dies genau die Schicht, die früher gefehlt hat.
Du findest Slate unter https://randomlabs.aihttps://randomlabs.ai/). Es ist heute verfügbar.
Jetzt lass mich dir den Schwarm zeigen.
Teil 3: Die sechs Agenten
Jeder ernsthafte Quant-Fonds durchläuft dieselben sechs Forschungsphasen.
Hier ist der Schwarm, der sie ersetzt.
Agent 1: Der Ideengenerator.
Liest jede Nacht neue Forschungspapiere von arXiv q-fin, SSRN und Finanzjournalen.
Studiert das mathematische Modell, das jedes Paper vorschlägt. Extrahiert die genaue behauptete Hypothese, die benötigten Daten und die Richtung des vorhergesagten Signals.
Schreibt jede Hypothese als strukturiertes Forschungsticket, das der nächste Agent aufnehmen kann.
Läuft auf einem schnellen, kosteneffizienten Modell, da die Aufgabe eine strukturierte Extraktion mit hohem Volumen ist.
Agent 2: Der Feature-Entwickler.
Nimmt ein Hypothesenticket. Holt die benötigten Daten aus der Preisdatenbank oder der Fundamentaldatenbank.
Konstruiert den Feature-Vektor. Standardisiert über den Querschnitt. Behandelt fehlende Beobachtungen, Ausreißer jenseits von drei Standardabweichungen und Look-Ahead-Bias.
Gibt einen bereinigten Dataframe aus, der für Backtests bereit ist.
Agent 3: Der Backtester.
Nimmt den Feature-Vektor. Baut Portfolio-Konstruktionsregeln. Führt den historischen Backtest über 20 Jahre Daten mit realistischen Transaktionskosten, Leihgebühren auf der Short-Seite und Slippage durch.
Gibt Sharpe Ratio, maximalen Drawdown, Umschlagshäufigkeit und Kapazitätsschätzungen aus.
Agent 4: Der Validator.
Hier lebt die Strenge.
Nimmt das Backtest-Ergebnis. Führt Newey-West-angepasste t-Statistiken durch, um die Autokorrelation in der Rendite-Reihe zu korrigieren. Führt Bootstrap-Resampling mit 10.000 Iterationen durch, um zu prüfen, ob die Sharpe real oder ein Stichprobenartefakt ist.
Markiert jedes Signal, das die Signifikanzschwellen nicht erreicht. Tötet alles mit einer In-Sample- vs. Out-of-Sample-Verschlechterung von mehr als 30 Prozent, denn das ist Overfitting.
Läuft auf einem stärkeren Argumentationsmodell. Der Ersteller validiert niemals die eigene Arbeit. Niemals.
Agent 5: Der Regimeprüfer.
Nimmt Signale, die die Validierung bestanden haben. Segmentiert die 20-jährige Historie nach Regimen (identifiziert über ein Hidden-Markov-Modell auf Volatilität und Renditen).
Berechnet Sharpe, Drawdown und Trefferquote innerhalb jedes Regimes neu. Tötet alles, was nur in einem Regime funktioniert, denn das ist Regime-Timing, das als Alpha getarnt ist.
Agent 6: Der Faktorzerleger.
Nimmt regime-robuste Signale. Regressiert sie gegen das Fama-French-Fünf-Faktoren-Modell plus Carhart-Momentum plus einen Low-Vol-Faktor.
Meldet das Residual-Alpha (den Achsenabschnitt der Regression) und seine t-Statistik.
Nur Signale, bei denen das Residual-Alpha die Faktorzerlegung überlebt, sind echtes neues Alpha. Alles andere ist neu verpacktes Momentum oder neu verpackter Value mit zusätzlichen Schritten.
Sechs Agenten. Jeder besitzt eine Phase. Sie geben ihre Ausgaben die Kette hinunter weiter.
Ein Slate Program. Sechs spezialisierte Agenten. Läuft alle 24 Stunden.
Der gesamte Schwarm läuft auf einem Slate Program, das alle 24 Stunden ausgelöst wird.
Teil 4: Wie man es Schritt für Schritt baut
Hier ist der genaue Bauplan. Folge mit und du wirst den Schwarm bis zum Ende des Tages am Laufen haben.
Schritt 1: Slate installieren
Öffne dein Terminal und führe aus:
1npm install -g @randomlabs/slate
Slate installiert sich in unter 30 Sekunden als globales CLI.
Erstelle dann das Projektverzeichnis:
1mkdir alpha-swarm2cd alpha-swarm3slate init
slate init erstellt das Projektgerüst mit den Ordnern, die du für Zustand, Programs und Anbieter benötigst.
Schritt 2: Verbinde deine Modelle
Führe aus:
1slate /providers
Dies öffnet den Anbieterkonfigurationsbildschirm innerhalb der Slate CLI. Verbinde die Modelle, die du verwenden möchtest.
Für diesen Schwarm verwende ich Sonnet für die schnellen Agenten (Ideenfindung, Feature-Entwicklung, Backtesting, Regimeprüfung) und Opus für die argumentationsintensiven Agenten (Validierung und Faktorzerlegung).
Schritt 3: Das Program entwerfen
Starte Slate:
1slate
Gib dann in der Slate CLI ein:
entwirf mir ein program, das sechs forschungsagenten in reihenfolge ausführt: ideengenerator, feature-entwickler, backtester, validator, regimeprüfer, faktorzerleger. führe es alle 24 stunden aus. verwende sonnet für die schnellen agenten und opus für validierung und faktorzerlegung.
Slate entwirft das Program mit dir. Es stellt klärende Fragen. Welche Datenquelle. Welches Backtest-Fenster. Welche Sharpe-Schwelle. Welcher Regime-Klassifizierer. Du antwortest in natürlicher Sprache. Slate schreibt das JavaScript.
Hier ist, wie die Schleife aussieht, sobald sie geschrieben ist:
1export default async function alphaSwarm(slate) {2 while (true) {3 // Stufe 1: Papiere lesen, Hypothesen extrahieren4 const hypotheses = await slate.agent('ideengenerator', {5 model: 'sonnet',6 task: 'Lies arXiv q-fin und SSRN der letzten 24 Stunden. Extrahiere 10 Alpha-Hypothesen mit behaupteter Richtung, benötigten Daten und Papierreferenz.',7 state: slate.state.get('getestete-hypothesen')8 });910 // Stufe 2: Feature-Entwicklung, parallel pro Hypothese11 const features = await Promise.all(12 hypotheses.map(h => slate.agent('feature-entwickler', {13 model: 'sonnet',14 task: `Baue den Feature-Vektor für: ${h.claim}. Standardisiere den Querschnitt. Behandle Look-Ahead.`,15 data: slate.tools.priceData()16 }))17 );1819 // Stufe 3: 20-Jahres-Backtest mit realistischen Kosten20 const backtests = await Promise.all(21 features.map(f => slate.agent('backtester', {22 model: 'sonnet',23 task: 'Führe 20-Jahres-Backtest durch. Berücksichtige Transaktionskosten von 5 Basispunkten pro Trade und Leihgebühren.',24 features: f25 }))26 );2728 // Stufe 4: Statistische Validierung auf dem Argumentationsmodell29 const validated = await Promise.all(30 backtests.map(b => slate.agent('validator', {31 model: 'opus',32 task: 'Newey-West t-Statistik über 2,5. Bootstrap 10k. Ablehnen, wenn IS/OOS Sharpe um mehr als 30 Prozent abfällt.',33 backtest: b34 }))35 );3637 // Stufe 5: Regimesegmentierung via HMM38 const regimeChecked = await Promise.all(39 validated40 .filter(v => v.passed)41 .map(v => slate.agent('regimepruefer', {42 model: 'sonnet',43 task: 'Passe 3-Zustands-HMM auf Volatilität und Renditen an. Berechne Sharpe pro Regime neu. Ablehnen, wenn nur ein Regime funktioniert.',44 result: v45 }))46 );4748 // Stufe 6: Faktorzerlegung zur Isolierung des Residual-Alpha49 const finalSignals = await Promise.all(50 regimeChecked51 .filter(r => r.passed)52 .map(r => slate.agent('faktorzerleger', {53 model: 'opus',54 task: 'Regressiere gegen Fama-French 5 + Carhart Momentum + Low-Vol. Melde Residual-Alpha und t-Statistik.',55 result: r56 }))57 );5859 // Persistieren, benachrichtigen, schlafen60 await slate.state.set('final-signals', finalSignals);61 await slate.state.append('getestete-hypothesen', hypotheses);62 await slate.notify.slack('forschung', `${finalSignals.length} neue Signale haben heute alle sechs Stufen überlebt.`);63 await slate.sleep('24h');64 }65}
Das ist der gesamte Schwarm. Eine Datei. Sechs Agenten. Läuft für immer.
Schritt 4: Den Schwarm ausführen
Speichere die Datei und führe aus:
1slate run alpha-swarm.js
In dem Moment, in dem du die Eingabetaste drückst, startet Slate die Schleife. Die sechs Agenten feuern nacheinander.
Die Feature-Entwicklung läuft parallel für jede Hypothese. Backtests laufen parallel. Die Validierung läuft auf dem stärkeren Modell.
Du kannst jeden Agenten in Echtzeit von der Slate CLI aus bei der Arbeit beobachten. Jeder Agent zeigt seinen Zustand, seine aktuelle Aufgabe und seinen Fortschritt.
[Screenshot 4: Terminal, das den laufenden Schwarm mit mehreren gleichzeitig aktiven Agenten zeigt, Fortschrittsanzeigen für jede Stufe sichtbar.]
Der erste Zyklus dauert 20 bis 40 Minuten, je nachdem, wie viele Hypothesen Stufe eins produziert.
Am Ende postet Slate die Überlebenden mit ihren Sharpe Ratios, Drawdowns und Residual-Alpha in deinen Slack-Kanal. Dann schläft es bis morgen.
Schritt 5: Iterieren
Die erste Version der Schleife ist nie die endgültige.
Der Ideengenerator wird Duplikate produzieren. Gib in Slate ein:
füge eine prüfung gegen den verlauf hinzu, sodass er nur hypothesen vorschlägt, die wir in den letzten 30 tagen nicht getestet haben.
Der Validator wird Signale ablehnen, von denen du denkst, sie hätten bestehen sollen. Gib ein:
lockere die sharpe-schwelle auf 1,2, verschärfe aber die maximale drawdown-schwelle auf 8 prozent.
Slate aktualisiert das Program für dich. Der nächste Zyklus verwendet die neue Logik. Jede Verbesserung fließt in die Zustandsdatei ein, und mit der Zeit wird der Schwarm schärfer, weil er sich an alles erinnert, was er bereits getestet und bereits abgelehnt hat.
Teil 5: Wie dies tatsächlich ein Forschungsteam ersetzt
Drei Muster decken jede reale Bereitstellung ab.
Muster 1: Nächtliche Entdeckung.
Der Schwarm läuft von 20 Uhr bis 8 Uhr morgens. Jeden Morgen wachst du mit zwei oder drei Signalen auf, die alle sechs Stufen überlebt haben.
Dein Job wird es, Überlebende zu überprüfen, anstatt die Pipeline selbst zu betreiben.
Muster 2: Hypothesen-Burst-Modus.
Neues Paper erscheint. Neue Datenquelle wird verfügbar. Du feuerst den Schwarm auf Abruf und bekommst an diesem Nachmittag 100 Hypothesen getestet.
Ein menschlicher Forscher testet im gleichen Zeitraum zwei.
Muster 3: Alpha-Zerfallsüberwachung.
Der Schwarm führt validierte Signale jede Woche mit neuen Daten erneut aus. Sobald die Sharpe eines Signals unter die Schwelle fällt, markiert er den Zerfall.
Du reduzierst das Exposure, bevor sich der Drawdown aufbaut.
Jedes Muster ersetzt eine bestimmte Funktion, die früher einen PhD erforderte. Zusammen ersetzen sie den Großteil dessen, was ein Forschungsteam tagtäglich tatsächlich tut.
Teil 6: Fünf Fehlermodi, die 90 Prozent der privaten Versuche zum Scheitern bringen
Fehler 1: Den Validator überspringen.
Du wirst 100 Signale mit schönen Sharpe Ratios und ohne jede Strenge bekommen. Jedes einzelne ist getarntes Data Snooping.
Der Validator ist nicht verhandelbar. Verwende dein stärkstes Modell. Setze harte Ablehnungsschwellen. Lass den Ersteller niemals seine eigene Arbeit validieren.
Fehler 2: Keine Zustandspersistenz.
Ein Schwarm ohne Gedächtnis testet jeden Tag dieselbe gescheiterte Hypothese.
Jedes abgelehnte Signal muss mit dem genauen Ablehnungsgrund protokolliert werden, damit kein Agent jemals zweimal Token für denselben Fehler verschwendet.
Fehler 3: Keine Ersteller-Prüfer-Trennung.
Der Agent, der die Hypothese generiert hat, ist der schlechtestmögliche Richter darüber, ob es echtes Alpha ist.
Teile Ersteller und Prüfer auf verschiedene Agenten auf verschiedenen Modellen auf. Renaissance macht das. Two Sigma macht das. Citadel macht das. Dein Schwarm sollte das auch tun.
Fehler 4: Ein Agent, der alles macht.
In dem Moment, in dem du versuchst, einen Agenten generieren, entwickeln, testen und validieren zu lassen, bricht die Qualität zusammen.
Spezialisierung ist das, was den Schwarm zum Funktionieren bringt. Jeder Agent macht eine Sache perfekt.
Fehler 5: Keine Stoppbedingung für die Schleife.
Eine Schleife ohne echten Stopp versagt still. Der Agent sendet ein Abschlusssignal in dem Glauben, der Job sei erledigt. Schlechte Ergebnisse bleiben unkorrigiert.
Jede Stoppbedingung muss von etwas anderem überprüfbar sein als der eigenen Behauptung des Agenten. „Sharpe über 1,5 in den letzten 30 Out-of-Sample-Trades." „Drawdown unter 5 Prozent." Niemals „der Agent sagt, es ist fertig."
Respektiere diese fünf, und der Schwarm produziert Forschungsergebnisse auf institutionellem Niveau.
Zusammenfassung
Alpha-Forschung ist bereits eine Pipeline. Sechs Stufen. Papiere lesen. Features entwickeln. Backtesten. Validieren. Regime prüfen. Gegen Faktoren zerlegen.
Jeder ernsthafte Fonds betreibt sie mit 100 PhDs.
Ein Schwarm von sechs spezialisierten KI-Agenten betreibt jede Stufe für dich. Jeder Agent wählt das Modell, das seiner Komplexität entspricht. Der gesamte Schwarm läuft auf einem Slate Program, das alle 24 Stunden ausgelöst wird.
Programs von Slate ist die Schicht, die dies tatsächlich an einem Wochenende auslieferbar macht, anstatt in sechs Monaten.
Es entwirft die Schleife mit dir. Es speichert die Schleife. Es führt die Schleife aus. Es führt sie für immer aus.
Du hörst auf, die Pipeline zu sein. Du wirst zum Architekten.
Der Infrastruktur-Graben ist real. Der Forschungs-Graben ist tot.
Das ist der Punkt.
Wenn du es ausprobieren möchtest, melde dich an unter
https://randomlabs.ai und folge
@wearerandomlabs für den Start.
In meinem vorherigen Artikel über Schleifenentwicklung habe ich aufgeschlüsselt, wie dieselbe Architektur in ein vollständiges, sich selbst verbesserndes Handelssystem eingebunden wird, das selbstständig Trades ausführt. Wenn du es noch nicht gelesen hast, lies es direkt im Anschluss.
Dieser Schwarm ist die Forschungshälfte dieses Systems.
https://x.com/RohOnChain/status/2069056530960490835
Die Fonds, die dies zuerst bauen, werden im nächsten Jahrzehnt Zinseszins ernten.
Diejenigen, die immer noch eine Hypothese nach der anderen testen, werden zurückgelassen.
Also hier ist die Frage, über die du nachdenken solltest.
Bist du der Forscher, der immer noch eine Hypothese pro Woche testet, oder bist du der Architekt, der den Schwarm gebaut hat, der jede Nacht hundert testet, während du schläfst?
Es gibt keine falsche Antwort. Aber es gibt sehr aufschlussreiche.
