본 논문은 복잡한 금융 데이터에서 예측 신호를 식별하기 위한 정량적 투자의 핵심인 알파 팩터 마이닝에 대한 새로운 프레임워크를 제시한다. 기존의 수식 기반 알파 마이닝의 한계와 자동화된 방법의 비효율성을 극복하기 위해, 대규모 언어 모델(LLM)과 몬테카를로 트리 탐색(MCTS)을 통합한다. 이 프레임워크는 LLM의 지시 따르기 및 추론 능력을 활용하여 MCTS 기반 탐색 내에서 기호 알파 공식을 반복적으로 생성하고 개선한다. 각 후보 팩터의 금융 백테스팅에서 얻은 풍부한 정량적 피드백으로 MCTS 탐색을 안내하여 광대한 탐색 공간을 효율적으로 탐색한다. 또한, 탐색의 다양성을 향상시키고 공식의 동질화를 방지하기 위해 빈번한 부분 트리 회피 메커니즘을 도입했다. 실제 주식 시장 데이터에 대한 실험 결과는 제안된 LLM 기반 프레임워크가 기존 방법보다 우수한 예측 정확도와 거래 성과를 보이는 알파를 마이닝하며, 결과 공식이 인간의 해석에 더 적합함을 입증한다.
