ทันเอไอ

ทีมนักวิจัย KAIST เปิดตัว EvolveTrade ระบบ AI เทรดหุ้นพัฒนาตัวเองได้ผ่านประสบการณ์

นักวิจัยจากสถาบัน KAIST พัฒนาเฟรมเวิร์กใหม่ให้เอเจนต์ AI เรียนรู้และปรับปรุงกลยุทธ์การเทรดจากผลลัพธ์ในอดีตได้เองโดยไม่ต้องแก้โมเดลหลัก

ในวงการปัญญาประดิษฐ์และการเงิน มีงานวิจัยชิ้นใหม่ชื่อว่า EvolveTrade ถูกเผยแพร่บนคลังบทความวิจัย arXiv และติดอันดับงานวิจัยน่าสนใจบนแพลตฟอร์ม Hugging Face โดยเป็นผลงานของคณะผู้วิจัยจาก KAIST (สถาบันวิทยาศาสตร์และเทคโนโลยีขั้นสูงแห่งเกาหลี) ได้แก่ Sehee Kim, Yumin Choi, Minki Kang และ Sung Ju Hwang

ปัญหาสำคัญของตัวแทนซื้อขาย (Trading Agents) ที่ขับเคลื่อนด้วยโมเดลภาษาขนาดใหญ่ (LLM) ทั่วไปคือ มักพึ่งพาชุดคำสั่งหรือกฎการใช้เครื่องมือแบบคงที่ (Static hand-written tool-use policies) ที่ถูกกำหนดไว้ก่อนนำไปใช้งานจริง ซึ่งทำให้ตัวแทนเหล่านี้ปรับตัวได้ยากเมื่อสภาวะตลาดการเงินเปลี่ยนแปลงไป ไม่ว่าจะเป็นการรวบรวมข้อมูล การเรียกใช้เครื่องมือ การตรวจสอบสัญญาณ หรือการบริหารความเสี่ยง

เพื่อแก้ปัญหานี้ EvolveTrade จึงเสนอแนวทางแบบใหม่ที่เรียกว่า การกลั่นกรองนโยบายที่ขับเคลื่อนด้วยประสบการณ์ (Experience-Driven Policy Refinement) ระบบจะมอง System Prompt (ชุดคำสั่งระบบ) ของตัวแทนซื้อขายให้เป็นนโยบายที่แปลงเป็นข้อความ (Text-parameterized policy) แทนที่จะทำการฝึกฝนหรือปรับแต่งโมเดลภาษาขนาดใหญ่โดยตรง ซึ่งมีต้นทุนสูง

กลไกการทำงานคือ หลังจากช่วงเวลาการอัปเดตแต่ละรอบ 'Policy Agent' จะทำหน้าที่ตรวจสอบร่องรอยการตัดสินใจที่สะสมมาและฟีดแบ็กจากผลลัพธ์ของพอร์ตการลงทุนจริง เพื่อนำมาปรับปรุงชุดคำสั่งระบบของตัวแทนซื้อขายโดยที่ตัวโมเดล LLM หลักยังคงเดิม จากนั้นชุดคำสั่งที่ถูกอัปเดตแล้วจะถูกนำไปใช้ในการตัดสินใจซื้อขายรอบถัดไป ทำให้ระบบสามารถวิวัฒนาการและปรับตัวเข้ากับตลาดได้ต่อเนื่อง

ผลการทดสอบในสภาวะตลาดที่หลากหลายระบุว่า แนวทางของ EvolveTrade สามารถช่วยเพิ่มอัตราส่วนชาร์ป (Sharpe Ratio) และผลตอบแทนสะสมได้ดีกว่าการใช้กลยุทธ์แบบคงที่แบบเดิมอย่างเห็นได้ชัด