AI 트레이딩의 알파 특이점: 에이전트 간 자기 진화를 통한 창발적 시장 추론

원문 발행 2026. 06. 28. 13:41원문 언어 영어AI 한국어 번역arXiv cs.AI 원문 보기

요약

에이전트 간의 공동 탐색을 통해 AI 트레이딩 알파를 생성하는 Sealed Joint Search(SJS) 프레임워크와 이를 구현한 Agora 시스템을 소개합니다. SJS는 평가자와 탐색 산물을 분리하여 과적합을 방지하며, Agora는 CSI 1000 데이터셋에서 높은 샤프 지수를 기록하며 창발적 성능을 입증했습니다.

핵심 포인트

SJS 프레임워크를 통한 평가자와 탐색 산물의 공동 탐색 및 과적합 방지
Agora 시스템: 5개의 LLM 에이전트 클래스가 협력하여 알파 라이브러리 구축
CSI 1000 홀드아웃 데이터에서 샤프 지수 +1.87 달성
라이브러리 진화가 성능의 핵심이며, 단순 PPO 추가보다 효과적임

자동화된 알파 마이닝 (Automated alpha mining)은 점수 함수 (scoring function)를 고정하고 그 위에서 탐색 알고리즘 (search algorithm)을 변화시킵니다. 고정된 평가자 (scorer)에 대해 수렴하는 탐색은 평가자가 처벌할 수 없는 요소에 과적합 (overfit)되며, 이는 표본 외 일반화 격차 (out-of-sample generalization gap)의 주요 원인이 됩니다. 우리는 점수 함수를 알파 요인 (alpha factors)과 함께 탐색 산물 (search artifact)로 취급하며, 이러한 공동 탐색 (joint search)을 허용 가능하게 만드는 조건이 무엇인지 연구합니다. Sealed Joint Search (SJS)는 프레임워크입니다: 이는 자율 발견 시스템 (autonomous-discovery system) 내 정보 흐름에 대한 일련의 구조적 조건으로, 평가자를 격리된 상태 (sealed)로 유지하면서 공동 탐색이 자기 확증 (self-confirmation)으로 붕괴되는 것을 방지합니다. 조건에는 역할 분해 (role decomposition), 유형화된 역할 간 통신 (typed inter-role communication), 출처 격리 읽기 (provenance-sealed reads), 버전 관리 저장소 (versioned stores), 그리고 기질 국소 승격 (substrate-local promotion)이 포함됩니다. Agora는 SJS를 실증적으로 테스트합니다: 5개의 LLM 에이전트 클래스가 3개의 채널을 통해 통신하며 8개의 기술 라이브러리 (skill libraries)를 진화시키고, AlphaGen 연산자 (operators)를 기반으로 알파 라이브러리 (alpha libraries)를 구축합니다. 3개의 평가자가 보고서를 작성하고 이를 하나의 요약본으로 집계하며, 투표 대신 의견 불일치 (disagreement)를 그대로 전달합니다. 우리는 CSI 1000에 대해 Agora를 100라운드 동안 실행하고, 모든 LLM 입력으로부터 격리된 91일간의 2026년 홀드아웃 (holdout) 데이터로 평가합니다. Agora는 홀드아웃 샤프 지수 (Sharpe) +1.87를 달성했습니다; 가장 우수한 베이스라인 (baseline)은 유리한 시드 (seed)에서 +1.334, 교차 시드 평균 (cross-seed mean)은 -0.755를 기록했습니다. Agora의 두 가지 지표를 동결된 라이브러리 절제 연구 (frozen-library ablation)에 사전 로드했을 때 +2.25 샤프 격차 중 +0.40만을 회복했으며, 라이브러리 진화 없이 PPO를 추가하는 것은 격차를 악화시켰습니다. 이 두 지표는 설계된 것이 아니라 창발 (emerge)되었습니다. 주의 사항: 단일 시드 실행, 숏 사이드 (short-side)에 집중된 신호, 롱-숏 (long-short) 전략을 의도함.

AI 자동 생성 콘텐츠

원문 바로가기

AI 트레이딩의 알파 특이점: 에이전트 간 자기 진화를 통한 창발적 시장 추론

요약

핵심 포인트

댓글