QuantaAlpha: LLM 기반 알파 마이닝을 위한 진화론적 프레임워크

초록

금융 시장은 노이즈가 많고 비정상성을 띠기 때문에 알파 마이닝은 백테스트 결과의 노이즈와 갑작스러운 시장 체제 변화에 매우 민감합니다. 최근 등장한 에이전트 기반 프레임워크들은 알파 마이닝 자동화를 개선하지만, 통제 가능한 다중 라운드 검색과 검증된 경험의 신뢰할 수 있는 재사용이 부족한 경우가 많습니다. 이러한 문제를 해결하기 위해 우리는 각 종단간 마이닝 실행을 하나의 궤적으로 간주하고 궤적 수준의 변이 및 교차 연산을 통해 팩터를 개선하는 진화형 알파 마이닝 프레임워크인 QuantaAlpha를 제안합니다. QuantaAlpha는 각 궤적에서 최적이 아닌 단계를 국소화하여 표적 수정을 수행하고 상호 보완적인 고수익 세그먼트를 재결합하여 효과적인 패턴을 재사용함으로써, 반복적인 마이닝 과정에서 구조화된 탐색과 정교화를 가능하게 합니다. 팩터 생성 과정에서 QuantaAlpha는 가설, 팩터 표현식, 실행 가능한 코드 간의 의미론적 일관성을 강제하면서 생성된 팩터의 복잡성과 중복성을 제약하여 밀집 현상을 완화합니다. CSI 300(중국 증권 지수 300)에 대한 광범위한 실험을 통해 강력한 기준 모델 및 기존 에이전트 시스템 대비 지속적인 성과 향상을 입증했습니다. GPT-5.2를 활용할 경우, QuantaAlpha는 정보 계수 0.1501, 연간화 수익률 27.75%, 최대 낙폭 7.98%를 달성했습니다. 또한 CSI 300에서 마이닝된 팩터들은 CSI 500(중국 증권 지수 500)과 S&P 500(스탠더드 앤드 푸어스 500 지수)에 효과적으로 전이되어 4년 동안 각각 160%, 137%의 누적 초과수익률을 제공하며, 시장 분포 변화 하에서 QuantaAlpha의 강력한 강건성을 시사합니다.

English

Financial markets are noisy and non-stationary, making alpha mining highly sensitive to noise in backtesting results and sudden market regime shifts. While recent agentic frameworks improve alpha mining automation, they often lack controllable multi-round search and reliable reuse of validated experience. To address these challenges, we propose QuantaAlpha, an evolutionary alpha mining framework that treats each end-to-end mining run as a trajectory and improves factors through trajectory-level mutation and crossover operations. QuantaAlpha localizes suboptimal steps in each trajectory for targeted revision and recombines complementary high-reward segments to reuse effective patterns, enabling structured exploration and refinement across mining iterations. During factor generation, QuantaAlpha enforces semantic consistency across the hypothesis, factor expression, and executable code, while constraining the complexity and redundancy of the generated factor to mitigate crowding. Extensive experiments on the China Securities Index 300 (CSI 300) demonstrate consistent gains over strong baseline models and prior agentic systems. When utilizing GPT-5.2, QuantaAlpha achieves an Information Coefficient (IC) of 0.1501, with an Annualized Rate of Return (ARR) of 27.75% and a Maximum Drawdown (MDD) of 7.98%. Moreover, factors mined on CSI 300 transfer effectively to the China Securities Index 500 (CSI 500) and the Standard & Poor's 500 Index (S&P 500), delivering 160% and 137% cumulative excess return over four years, respectively, which indicates strong robustness of QuantaAlpha under market distribution shifts.

QuantaAlpha: LLM 기반 알파 마이닝을 위한 진화론적 프레임워크

QuantaAlpha: An Evolutionary Framework for LLM-Driven Alpha Mining

초록

Support