EVOQUANT: 자체 진화 및 검증 시스템 기반의 전략 최적화를 통한 안정적인 양적 거래

EVOQUANT: Self-Evolving Verifier-Guided Strategy Optimization for Robust Quantitative Trading

양적 전략 최적화는 대부분 수동으로 이루어지며, 전문 지식을 가진 담당자가 취약한 신호를 식별하고, 리스크 관리 규칙을 조정하며, 반복적인 수정 사항을 검증하는 과정이 필요합니다. 대규모 언어 모델(LLM)은 이 과정을 가속화할 수 있지만, LLM에 직접적으로 거래 전략을 재작성하도록 하는 것은 종종 환각된 편집, 전략의 편향 및 백테스팅 과적합 문제를 야기할 수 있습니다. 본 연구에서는 양적 거래에서 전략 최적화를 위한 자체 진화형 검증 시스템 기반 프레임워크인 EVOQUANT를 제안합니다. 저희 방법은 LLM을 사용하여 성능 저하 요인을 심층적으로 분석하고, 의미론적으로 제어된 후보 수정 사항을 생성하며, 다단계 검증 파이프라인을 통해 최적의 전략을 선택하고, 최적화 경험을 재사용 가능한 지식으로 추출하여 지속적인 자체 개선을 가능하게 합니다. 저희는 A-주 시장의 네 가지 전략과 암호화폐 시장의 세 가지 전략을 사용하여 제안하는 방법을 평가했습니다. 실험 결과, 제안된 방법은 모든 테스트 전략에서 샤프 비율을 크게 향상시켰습니다. 평균 테스트 샤프 비율이 -0.298에서 0.538로 증가했으며, 가장 우수한 성능을 보이는 전략은 199%의 상대적인 성능 향상을 달성했습니다. 추가적으로, ablation 연구 및 더 엄격한 조건에서의 스트레스 테스트를 통해 프레임워크의 효과성과 안정성을 검증했습니다. 전반적으로, 본 연구는 양적 전략 최적화를 비용이 많이 드는 수동적인 시행착오 과정에서 자동화되고 검증 가능한 반복적 패러다이으로 전환시켜, 대규모 언어 모델을 금융 전략 연구에 적용하는 새로운 방법을 제시합니다.

Quantitative strategy optimization remains largely manual, requiring domain experts to identify weak signals, tune risk-control rules, and repeatedly validate iterative revisions. Large language models can accelerate this process, but directly relying on them to rewrite trading strategies often introduces hallucinated edits, strategy drift, and backtest overfitting. We propose EVOQUANT, a self-Evolving Verifier-guided framework for strategy Optimization in Quantitative trading. Our method utilizes LLMs to deeply diagnose performance bottlenecks, generates semantically controlled candidate edits, selects the best strategy through a multi-stage verification pipeline, and distills optimization experience into reusable knowledge for continual self-improvement. We evaluate our method using seven representative strategies: four from the A-share market and three from the Crypto market. Experimental results show that our method significantly improves the Sharpe ratio across all tested strategies: the average test Sharpe increases from -0.298 to 0.538, and the best-performing strategy achieves a 199% relative improvement. Ablation studies and stress tests under stricter conditions further validate the effectiveness and robustness of the framework. Overall, this work transforms quantitative strategy optimization from costly manual trial and error into an automated and verifiable iterative paradigm, offering a new path for applying large language models to financial strategy research.