Xây Swarm AI Agents Săn Alpha 24/7: Kiến Trúc 6 Agent Thay Cả Team Quant

Từ notebook đơn độc đến đội quân AI

Hầu hết quant traders vẫn làm việc theo cách cũ từ một thập kỷ trước. Đọc một paper. Mở Jupyter notebook. Engineering vài feature. Chạy backtest. Nhìn Sharpe ratio. Rồi chuyển sang ý tưởng tiếp theo.

Họ là cả cái pipeline. Mỗi giai đoạn nghiên cứu đều cần họ ngồi trước màn hình, xử lý một hypothesis tại một thời điểm.

Điều đó đang thay đổi. Không phải vì AI thông minh hơn người, mà vì cấu trúc pipeline của alpha research vốn đã là thứ có thể tự động hóa. Boris Cherny, Head of Claude Code tại Anthropic, nói thẳng: "I don't prompt Claude anymore. I have loops running that prompt Claude and figuring out what to do. My job is to write loops."

Câu nói đó tóm gọn một cách nhìn hoàn toàn khác về AI - không phải chatbot trả lời câu hỏi, mà là vòng lặp chạy mãi, tự điều phối, tự ra quyết định.

Với quant research, đây là thay đổi mang tính cấu trúc.

Swarm là gì - và không phải gì

Ba khái niệm cần phân biệt rõ trước khi đi tiếp:

• Prompt - một câu hỏi. Bạn hỏi, model trả lời một lần rồi dừng.
• Loop - một công việc. Agent tiếp tục chạy, tự kiểm tra tiến độ, không dừng cho đến khi nhiệm vụ thật sự hoàn thành.
• Swarm - nhiều loop chạy song song. Mỗi loop là một chuyên gia. Mỗi chuyên gia sở hữu một giai đoạn của pipeline. Output của agent này là input của agent tiếp theo.

Nếu bạn đã dùng Claude Code, Cursor hoặc Codex, bạn đã dùng loop mà không biết. Agent gọi model, model chọn hành động, hành động chạy, kết quả đi ngược về model, lặp lại cho đến khi mục tiêu đạt được.

Loop biến agent thành agent thay vì chỉ là câu trả lời. Swarm biến research team thành research team thay vì chỉ một người gõ.

Slate - lớp hạ tầng chạy swarm

Bạn có thể tự build bằng Python script gọi nhiều API khác nhau. Nhưng nó vỡ ngay khi một agent cần đợi agent khác. Nó vỡ khi cần state persist qua nhiều chu kỳ. Nó vỡ khi muốn chạy 6 loop song song trên các model khác nhau.

Bạn sẽ kết thúc bằng việc tự build agent framework thay vì làm research.

Slate là CLI agent framework của RandomLabs - startup được Y Combinator hậu thuẫn, ra mắt Slate V1 tháng 3/2026. Đây là công cụ đầu tiên được thiết kế theo kiến trúc swarm-native.

Tính năng cốt lõi mà thread gốc nhắc đến là Programs - vòng lặp viết bằng JavaScript mà Slate chạy cho bạn. Một Program giữ state giữa các chu kỳ. Chạy liên tục. Cho phép chỉ định model nào xử lý bước nào. Và toàn bộ được Slate scaffold với bạn qua natural language.

Kiến trúc 6 agent

Mọi quỹ lớn đều chạy 6 giai đoạn nghiên cứu này. Swarm thay thế từng giai đoạn bằng một agent chuyên biệt:

Agent 1 - Idea Generator: Đọc paper mới từ arXiv q-fin, SSRN và financial journals mỗi đêm. Trích xuất hypothesis, dữ liệu cần thiết và hướng signal. Output là research ticket chuẩn hóa cho agent tiếp theo. Chạy trên model nhanh vì task chủ yếu là structured extraction khối lượng lớn.

Agent 2 - Feature Engineer: Nhận hypothesis ticket. Pull dữ liệu từ price database hoặc fundamental database. Xây feature vector, chuẩn hóa cross-section, xử lý missing data và look-ahead bias.

Agent 3 - Backtester: Chạy backtest lịch sử 20 năm với transaction cost thực tế (5bps/trade), shorting cost và slippage. Output: Sharpe ratio, max drawdown, turnover, capacity estimate.

Agent 4 - Validator: Giai đoạn quan trọng nhất. Chạy Newey-West t-statistics để điều chỉnh autocorrelation. Bootstrap 10.000 lần để kiểm tra Sharpe có thật hay chỉ là sample artifact. Loại bỏ signal có in-sample/out-of-sample degradation lớn hơn 30% (overfitting). Chạy trên model reasoning mạnh hơn. Maker không bao giờ validate công việc của chính mình.

Agent 5 - Regime Auditor: Phân đoạn 20 năm lịch sử theo regime bằng Hidden Markov Model (HMM 3 trạng thái) trên volatility và returns. Signal chỉ hoạt động trong một regime = regime timing, không phải alpha thật.

Agent 6 - Factor Decomposer: Regress signal chống lại Fama-French 5 factor + Carhart momentum + low-vol factor. Chỉ signal có residual alpha (intercept regression) vượt ngưỡng ý nghĩa thống kê mới là alpha thật sự mới. Phần còn lại chỉ là momentum hoặc value đóng gói lại.

Mô hình phân công model: Sonnet cho 4 agent nhanh (Idea Generator, Feature Engineer, Backtester, Regime Auditor) - Opus cho 2 agent reasoning nặng (Validator, Factor Decomposer).

Build từng bước

Quy trình thực tế theo thread gốc:

1. Cài Slate: npm install -g @randomlabs/slate, tạo project directory, chạy slate init.
2. Kết nối model: slate /providers để cấu hình Sonnet và Opus.
3. Draft Program: Khởi động Slate CLI, mô tả swarm bằng ngôn ngữ tự nhiên. Slate hỏi lại các thông số (data source, backtest window, Sharpe threshold, regime classifier) và tự viết JavaScript cho bạn.
4. Chạy swarm: slate run alpha-swarm.js. Chu kỳ đầu tiên mất 20-40 phút tùy số hypothesis Agent 1 produce.
5. Iterate: Adjust threshold, thêm dedup logic, refine stopping condition qua CLI. Mỗi cải tiến được compiler vào state file và swarm nhớ mãi.

Cuối mỗi chu kỳ 24 giờ, swarm post survivors lên Slack với Sharpe ratio, max drawdown và residual alpha.

Ba pattern triển khai thực tế

Theo tác giả, có 3 cách dùng swarm phổ biến nhất:

Overnight discovery: Swarm chạy 8 PM đến 8 AM. Sáng bạn thức dậy có 2-3 signal đã vượt qua đủ 6 vòng filter. Công việc của bạn chuyển từ chạy pipeline sang review survivors.

Hypothesis burst mode: Paper mới ra hoặc data source mới khả dụng, bạn fire swarm on-demand và có 100 hypothesis được test trong buổi chiều. Một researcher con người test được 2 trong cùng thời gian.

Alpha decay monitoring: Swarm re-validate signal đã được duyệt mỗi tuần trên data mới. Khi Sharpe giảm dưới ngưỡng, nó flag decay. Bạn cắt exposure trước khi drawdown tích lũy.

5 điều giết chết swarm

Thread gốc liệt kê 5 failure mode khiến 90% attempts thất bại:

1. Bỏ qua Validator: Bạn sẽ có 100 signal với Sharpe đẹp và không có bất kỳ rigor nào. Tất cả đều là data snooping trá hình. Validator không thể bỏ. Dùng model mạnh nhất. Đặt rejection threshold cứng.

2. Không có state persistence: Swarm không nhớ = test lại hypothesis đã fail mỗi ngày. Mỗi signal bị loại phải được log cùng lý do từ chối cụ thể để không agent nào lãng phí token vào cùng failure đó lần hai.

3. Không tách maker-checker: Agent tạo ra hypothesis là người đánh giá tệ nhất về chất lượng của nó. Renaissance, Two Sigma, Citadel đều tách maker và checker. Swarm của bạn cũng phải vậy.

4. Một agent làm tất cả: Ngay khi bạn cố nhồi generate, engineer, backtest và validate vào một agent, chất lượng sụp đổ. Specialization là thứ làm swarm hoạt động.

5. Không có stopping condition độc lập: Loop không có điều kiện dừng thực sự sẽ fail lặng lẽ. Agent emit completion signal khi nghĩ mình xong nhưng kết quả vẫn sai. Điều kiện dừng phải kiểm chứng được bằng thứ khác ngoài claim của agent đó.

Cảnh báo: đừng thần thánh hóa

Thread gốc là content marketing - Roan đang promote Slate, một sản phẩm trả phí của RandomLabs mà ông ta được affiliate. Không có số liệu thực nghiệm nào về kết quả thực tế của swarm này trong điều kiện trading live.

Một vài điểm cần nhớ trước khi bắt tay build:

• Data quality là bottleneck thực sự: Swarm 6 agent chỉ tốt bằng data đầu vào. Price database 20 năm chất lượng cao không phải free.
• Domain expertise vẫn cần thiết: AI không tự biết đâu là feature có ý nghĩa kinh tế và đâu là spurious correlation. Người vận hành swarm vẫn cần hiểu quant finance đủ để đánh giá survivors.
• Pipeline phức tạp = nhiều điểm failure: 6 agent, nhiều API, state management - mỗi component là một điểm có thể vỡ trong production.
• Boris Cherny quote bị taken out of context: Ông nói về coding workflow của mình, không phải về quant trading. Áp dụng trực tiếp sang trading là sự diễn giải của tác giả thread.

Kiến trúc swarm agent đây là thật và có giá trị. Nhưng nó là công cụ tăng cường năng lực, không phải replacement cho judgment.

Kết: bạn chọn vai nào trong pipeline?

Alpha research là pipeline. 6 giai đoạn. Đọc paper - engineering feature - backtest - validate - kiểm tra regime - phân rã nhân tố. Các quỹ lớn chạy nó với 100-200 PhD.

Một swarm 6 agent AI chạy đủ 6 giai đoạn đó cho bạn, mỗi agent chọn đúng model phù hợp với độ phức tạp của task mình đảm nhận, toàn bộ chạy mỗi 24 giờ.

Câu hỏi không phải là liệu công nghệ này có work không - kiến trúc đa agent là hướng đi rõ ràng của AI engineering năm 2026. Câu hỏi là bạn muốn là researcher vẫn đang test 1-2 hypothesis mỗi tuần, hay là architect đã build swarm test 100 hypothesis mỗi đêm trong khi bạn ngủ?

Hai vai đó đều hợp lệ. Nhưng khoảng cách giữa chúng đang rộng ra theo từng tháng.

via @RohOnChain trên X | Tool: randomlabs.ai