본 논문은 대규모 언어 모델(LLM)과 몬테카를로 트리 탐색(MCTS)을 통합하여 알파 팩터(예측 신호)를 효율적으로 발굴하는 새로운 프레임워크를 제시합니다. 기존의 알파 팩터 발굴 방법들은 인간의 전문 지식에 의존하거나, 유전 알고리즘이나 강화 학습 기반의 자동화된 방법들은 탐색 비효율성이나 해석의 어려움을 겪는다는 한계를 가지고 있습니다. 제안된 프레임워크는 LLM의 지시사항 따르기 및 추론 능력을 활용하여 MCTS 기반 탐색 내에서 기호 알파 공식을 반복적으로 생성하고 개선합니다. 핵심 혁신은 각 후보 팩터의 금융 백테스팅으로부터 얻은 풍부한 정량적 피드백으로 MCTS 탐색을 안내하여 방대한 탐색 공간을 효율적으로 탐색하는 것입니다. 또한, 빈번한 서브트리 회피 메커니즘을 도입하여 탐색 효율성과 알파 팩터 성능을 향상시킵니다. 실제 주식 시장 데이터에 대한 실험 결과는 제안된 프레임워크가 기존 방법보다 우수한 예측 정확도, 거래 성과 및 향상된 해석성을 가진 알파를 발굴하고, 보다 효율적인 공식 알파 팩터 발굴 솔루션을 제공함을 보여줍니다.
