En este video, explicamos cómo utilizar Weights & Biases para mejorar la fiabilidad, reproducibilidad y explicabilidad en la investigación cuantitativa a gran escala impulsada por agentes.
*Cubrimos dos casos de uso clave:*
*1. Investigación alfa con backtesting*
Aprende a construir, depurar e iterar en un sistema multiagente para el análisis de mercado. Un evento del mercado se dirige a través de un clasificador a agentes especializados (macro, histórico, de sentimiento y cuantitativo), cada uno realizando llamadas a herramientas para recopilar datos en tiempo real. Un agente de síntesis genera luego una previsión probabilística. Aprenderás a usar W&B Weave para inspeccionar las trazas de los agentes, incluidas las llamadas a herramientas, latencia, costo y salidas, y profundizar en predicciones de baja confianza para identificar causas raíz y mejorar el comportamiento del agente.
*2. Pruebas de estrategia*
Ve cómo ir más allá de la sintonización manual con un bucle de optimización automatizado. Verás cómo ejecutar múltiples pruebas con diferentes configuraciones de peso de agentes y usar un meta-optimizador para minimizar iterativamente métricas como el puntaje de Brier. También aprenderás a rastrear la convergencia y el rendimiento utilizando W&B Models. Con la herramienta de visualización en W&B Models, puedes explorar fácilmente cómo las configuraciones de peso impactan los resultados utilizando gráficos de coordenadas paralelas. W&B Weave y Models están completamente integrados, brindándote un rastro de auditoría completo para la investigación, validación y cumplimiento.
Weights & Biases permite visibilidad de extremo a extremo en tus flujos de trabajo de investigación cuantitativa, permitiéndote pasar de la hipótesis al back-testing y a la reproducibilidad de grado de cumplimiento mientras optimizas estrategias a gran escala.
*Capítulos:*
00:00 Introducción
00:35 Resumen de casos de uso
00:50 Arquitectura de pipeline impulsada por eventos
01:38 Demostración de la interfaz de Weights & Biases
02:18 Depuración de la salida del modelo
03:44 Corrección del modelo y mejora de la previsión
04:26 Evaluación a gran escala
05:07 Comparación del rendimiento del modelo
06:23 Bucle de optimización automatizado
08:00 Perspectivas de la optimización