Neste vídeo, mostramos como usar Weights & Biases para melhorar a confiabilidade, reprodutibilidade e explicabilidade em pesquisas quantitativas em larga escala, impulsionadas por agentes.
*Abordamos dois casos de uso principais:*
*1. Pesquisa de Alpha com backtesting*
Aprenda como construir, depurar e iterar em um sistema multiagente para análise de mercado. Um evento de mercado é roteado através de um classificador para agentes especializados (macro, histórico, sentimento e quant), cada um fazendo chamadas de ferramentas para coletar dados ao vivo. Um agente de síntese então gera uma previsão probabilística. Você aprenderá como usar W&B Weave para inspecionar rastros de agentes, incluindo chamadas de ferramentas, latência, custo e saídas, e aprofundar-se em previsões de baixa confiança para identificar causas raiz e melhorar o comportamento do agente.
*2. Teste de estratégia*
Veja como ir além da afinação manual com um loop de otimização automatizado. Você verá como executar múltiplas tentativas com diferentes configurações de peso de agentes e usar um meta-otimizador para minimizar iterativamente métricas como o Brier score. Você também aprenderá como rastrear a convergência e o desempenho usando W&B Models. Com a ferramenta de visualização em W&B Models, você pode explorar facilmente como as configurações de peso impactam os resultados usando gráficos de coordenadas paralelas. W&B Weave e Models estão totalmente integrados, proporcionando um registro completo para pesquisa, validação e conformidade.
Weights & Biases permite visibilidade de ponta a ponta em seus fluxos de trabalho de pesquisa quantitativa, permitindo que você passe da hipótese ao back-testing e reprodutibilidade em nível de conformidade, enquanto otimiza estratégias em escala.
*Capítulos:*
00:00 Introdução
00:35 Visão geral dos casos de uso
00:50 Arquitetura de pipeline orientada a eventos
01:38 Demonstração da interface do Weights & Biases
02:18 Depuração da saída do modelo
03:44 Correção do modelo e previsão melhorada
04:26 Avaliação em escala
05:07 Comparação de desempenho do modelo
06:23 Loop de otimização automatizado
08:00 Insights da otimização