본 논문은 정량 투자에서 중요한 요소인 알파 마이닝(Alpha mining)에 초점을 맞추고 있으며, 점점 복잡해지는 금융 시장에서 미래 자산 수익률 예측 신호를 발견하는 데 중점을 둡니다. 기존의 유전 알고리즘과 같은 방법들은 과적합과 복잡성으로 인해 알파 감소(alpha decay) 문제에 직면하는 반면, 대규모 언어 모델(LLM) 기반 접근 방식은 기존 지식에 과도하게 의존하여 혼잡을 악화시키고 감소를 가속화하는 동종적인 요소를 생성하는 경향이 있습니다. 이러한 문제를 해결하기 위해 본 논문에서는 알파 감소에 강한 알파 요인을 마이닝하기 위해 LLM 에이전트와 임시 규제를 효과적으로 통합하는 자율 프레임워크인 AlphaAgent를 제안합니다. AlphaAgent는 기존 알파에 대한 추상 구문 트리(AST) 기반 유사성 측정을 통한 독창성 강화, LLM 평가를 통한 시장 가설과 생성된 요인 간의 의미적 일관성을 통한 가설-요인 정렬, 과적합되기 쉬운 과도하게 설계된 구조를 방지하기 위한 AST 기반 구조적 제약을 통한 복잡성 제어라는 세 가지 주요 메커니즘을 사용합니다. 이러한 메커니즘은 알파 생성 과정을 안내하여 독창성, 재무적 근거 및 변화하는 시장 상황에 대한 적응성 간의 균형을 맞추고 알파 감소의 위험을 완화합니다. 광범위한 평가 결과, AlphaAgent는 중국 CSI 500 및 미국 S&P 500 시장에서 지난 4년 동안 강세장과 약세장 모두에서 알파 감소를 완화하고 지속적으로 상당한 알파를 제공함으로써 기존 방법 및 LLM 기반 방법보다 우수한 성능을 보였습니다. 특히 AlphaAgent는 알파 감소에 대한 놀라운 저항성을 보여 강력한 요인을 생성할 가능성을 높였습니다.
