다중 팔 밴딧(MAB) 문제를 위한 알고리즘은 순차적 의사결정에서 핵심적인 역할을 하며, 이론적으로와 수치적으로 광범위하게 연구되어 왔다. 대부분의 고전적 접근법은 기대 보상이 가장 높은 팔을 식별하는 것을 목표로 하는 반면, 우리는 분산이 가장 낮은 팔을 선택하는 것을 목표로 하는 위험 인식(risk-aware) 설정에 초점을 맞춘다. 이는 잠재적으로 높지만 불확실한 수익보다 안정성을 선호한다. 의사결정 과정을 모델링하기 위해 정책의 소프트맥스 매개변화를 고려하고, 최소 분산(또는 최소 위험) 팔을 선택하기 위한 새로운 알고리즘을 제안하며 자연스러운 조건 하에서 그 수렴을 증명한다. 이 알고리즘은 선택된 팔의 분포에서 두 번의 독립적인 추출을 사용하여 목적 함수의 불편 추정량을 구성한다. 우리는 이러한 알고리즘의 실용적 거동을 보여주는 수치 실험을 제공하고 구현 선택에 대한 안내를 제시한다. 이 설정은 또한 평균 보상을 최대화하는 것과 그 분산을 최소화하는 것 사이에 상충 관계가 있는 일반적인 위험 인식 문제도 포괄한다.
언어 모델 에이전트는 이제 양적 팩터 연구 전 과정을 수행한다. 투자 팩터를 제안하고, 백테스트하며, 생존자를 선별하고 은퇴시킨다. 우리는 그 일 가운데 에이전트가 어떤 역할을 유지해야 하는지 묻는다. 우리의 답은 통제된 자기 진화(governed self-evolution)이다. 에이전트는 제안할 수 있고, 에이전트가 건드릴 수 없는 고정(frozen) 통계 심판이 판단해야 한다. 심판은 제출 이후에 공개된 시장 결과만을 베팅(betting)으로 각 후보를 채점하므로, 어떤 제안 정책에 대해서든 모든 정지 시점(stopping time)에서 허위 발견(false-discovery) 보장이 성립한다. 우리는 세 가지 제안자(스크립트, 밴딧, 언어 모델)와 이 심판 및 의도적으로 누수가 있는(leaky) 세 가지 심판을 교차한다. 실험은 심재 진실(planted truth)이 있는 합성 세계, 프로브 작성 환경, CSI 500에 대한 10년 워크포워드(walk-forward)에서 수행한다. 누가 판단하는지가 허위 채택(false admissions) 수를 정한다. 고정 심판은 스크립트 제안자 하에서 누수 심판보다 임계값 미만(sub-threshold) 팩터를 5–11배 적게 채택하며, 어떤 제안자도 그 격차를 메우지 못한다. 누가 제안하는지가 수확(yield)을 정한다. 언어 모델은 스크립트를 능가하고 밴딧과 맞먹으며, 밴딧에는 없는 유일한 능력인 자체 진단 프로브 작성을 더한다. 인증(certificate)의 대가는 시간이다. 채택된 진짜 팩터는 약 500 거래일을 기다리며, 따라서 인증 포트폴리오의 Sharpe 비율은 게이트 없는(ungated) 포트폴리오에 뒤진다. 판단은 절차(procedure)에 속하고, 제안과 도구(instrument) 제작은 에이전트에 속한다.