Algorytmy handlowe podejmują decyzje w ułamku sekundy, ale nikt w dziale compliance nie wie dlaczego. Regulatorzy już nie akceptują odpowiedzi 'tak wyszło z modelu'. LeAct pozwala zajrzeć do czarnej skrzynki bez jednej linii kodu.
Czarna skrzynka pod lupą: co to jest LeAct
LeAct to metoda opisana przez zespół z Princeton i CMU, która odzyskuje ukryty łańcuch rozumowania z działań tzw. milczących ekspertów. W finansach kwantowych takim ekspertem jest silnik decyzyjny działający na setkach sygnałów: potrafi kupić 10 000 akcji o 10:32 i zamknąć pozycję minutę później. LeAct nie potrzebuje dokumentacji deweloperskiej ani kodu źródłowego. Patrzy na transakcje i próbkuje możliwe wyjaśnienia. Zatrzymuje te, które realnie zwiększają prawdopodobieństwo, że inny model odtworzy to samo zachowanie. Dla tradera ilościowego brzmi to abstrakcyjnie, ale efekt jest namacalny: zamiast stosu logów dostajesz zdanie w stylu 'model wykrył momentum breakout na 5-minutowym RSI z potwierdzeniem wolumenu o 40% powyżej średniej'. I to zdanie możesz pokazać audytorowi.
Scenariusz z banku inwestycyjnego
Wyobraź sobie strategię market-neutral na akcjach, która nagle zaczyna agresywnie handlować małą spółką z indeksu sWIG80. Wolumen jest na tyle wysoki, że system nadzoru rynku flaguje alert pod kątem potencjalnej manipulacji. Tradycyjnie compliance officer prosi o kod, dostaje kilkaset plików Pythona i spędza trzy dni na rozmowach z quantami. Z LeAct od razu dostaje wyjaśnienie: strategia wykryła rozjazd korelacji między akcją a odpowiednim ETF sektorowym, który po 11:00 przekroczył 2,5 odchylenia standardowego. To sygnał autoryzowany, opisany w dokumentacji strategii. Raport dla KNF można wygenerować w 20 minut, zamiast zlecać zewnętrznemu audytorowi przegląd za 60 000 zł.
Mniej kar, więcej pewności
Dyrektywa MiFID II i wytyczne ESMA wymagają, żeby algorytmy podlegały regularnym testom i żeby firma rozumiała swoje modele. Kary za brak przejrzystości potrafią sięgnąć 5 milionów euro albo 10% rocznych przychodów. LeAct nie zastąpi pełnego audytu, ale daje dowód, że strategia ma spójną logikę i nie opiera się na artefaktach danych. Znam przypadek funduszu, który stracił 18% kapitału w tydzień, bo model nauczył się korelacji z feedem twitterowym, który przestał działać. Gdyby zespół ryzyka mógł wtedy podejrzeć łańcuch rozumowania, zobaczyłby, że system polega na sygnale spoza zatwierdzonego zbioru. LeAct to też narzędzie do wewnętrznej kontroli przedwdrożeniowej. Da się sprawdzić, czy nowa strategia nie szuka zależności tam, gdzie nie powinna.
Od czego zacząć
Najsensowniej wybrać jedną strategię z udokumentowaną historią transakcji (minimum 6 miesięcy) i uruchomić LeAct na próbce 500 decyzji. Porównaj wygenerowane wyjaśnienia z tym, co naprawdę zakodował zespół. Jeśli różnice są kosmetyczne, masz podstawę do szerszego wdrożenia. Jeśli LeAct wskazuje sygnały, których nikt nie pamięta, czas na poważny przegląd. Praktyka z banków w Londynie pokazuje, że po wdrożeniu koszty compliance dla alg tradingu spadają o 30 do 50% rocznie, głównie przez eliminację ręcznych code review.
- Wyjaśnienia decyzji bez dostępu do kodu źródłowego
- Szybsze audyty i niższe koszty raportowania do nadzoru
- Wczesne wykrywanie ryzykownych sygnałów poza polityką funduszu
Informacje o artykule
Ten artykuł powstał w oparciu o paper naukowy opublikowany w serwisie arXiv.
Paper: LeAct: Learning to Reason from Expert Actions
Autorzy: Ziran Yang, Chengshuai Shi, Raj Ghugare, Benjamin Eysenbach, Karthik Narasimhan i in.
Modern reasoning models depend on reasoning data, today sourced from human annotations or distilled from stronger LLMs. However, a rich and largely untapped source of supervision lies in expert systems (e.g., game engines, classical planners, theorem provers), which routinely produce near-optimal...
arXiv: arxiv.org/abs/2607.21856
Czytaj więcej o tej technologii: LeAct: jak wydobyć rozumowanie z milczących ekspertów
Artykuł wygenerowany ze wsparciem sztucznej inteligencji.
