[논문리뷰] QuantaAlpha: An Evolutionary Framework for LLM-Driven Alpha Mining

링크: 논문 PDF로 바로 열기

저자: Jun Han, Shuo Zhang, Wei Li, Zhi Yang, Yifan Dong, Tu Hu, Jialuo Yuan, Xiaomin Yu, Yumo Zhu, Fangqi Lou, Xin Guo, Zhaowei Liu, Tianyi Jiang, Ruichuan An, Jingping Liu, Biao Wu, Rongze Chen, Kunyi Wang, Yifan Wang, Sen Hu, Xinbing Kong, Liwen Zhang, Ronghao Chen, Huacan Wang

핵심 연구 목표

금융 시장의 노이즈와 비정상성으로 인해 알파 마이닝이 겪는 불안정성과 시장 변화에 대한 민감성을 해결하고자 합니다. 기존 에이전트 기반 프레임워크가 가진 제한적인 다중 라운드 탐색 및 검증된 경험 재사용의 한계를 극복하고, LLM 기반 알파 요인 의 품질과 견고성을 향상시키는 것을 목표로 합니다.

핵심 방법론

본 논문은 각 알파 마이닝 실행을 트랙토리(trajectory) 로 간주하고, 트랙토리 수준의 뮤테이션(mutation) 및 크로스오버(crossover) 연산 을 통해 요인을 개선하는 QuantaAlpha 프레임워크를 제안합니다. 요인 생성 과정에서 가설, 요인 표현, 실행 코드 간의 의미론적 일관성 을 강화하고, 복잡성 및 중복성 을 제한하여 요인 밀집을 완화합니다. Abstract Syntax Tree (AST) 를 활용하여 요인 생성을 제어하고 검증합니다.

주요 결과

CSI 300 데이터셋에서 GPT-5.2 를 활용한 QuantaAlpha는 0.1501의 정보 계수(IC) , 27.75%의 연간 수익률(ARR) , 7.98%의 최대 낙폭(MDD) 을 달성했습니다. 또한, CSI 300에서 발굴된 요인들은 CSI 500 및 S&P 500 으로 효과적으로 전이되어 4년간 각각 160% 및 137%의 누적 초과 수익률 을 기록하며 강력한 견고성을 입증했습니다.

AI 실무자를 위한 시사점

LLM 기반 에이전트 와 진화 알고리즘 의 결합이 금융 시장의 알파 요인 탐색 에 매우 효과적임을 보여줍니다. 특히, AST 기반 일관성 검증 과 복잡성 및 중복성 제어 는 LLM 생성 모델의 신뢰성을 높이는 중요한 전략으로, 다른 도메인에서의 코드 생성 및 최적화 에도 적용 가능합니다. 모델이 다양한 시장 환경에서도 안정적인 성능을 보이는 제로샷 전이 학습 능력 은 실제 투자 전략 개발 및 배포에 있어 핵심적인 장점이 됩니다.

⚠️ 알림: 이 리뷰는 AI로 작성되었습니다.