AQuA: 재귀적으로 자기 개선되는 양적 투자 연구 에이전트

AQuA: Recursively Self-Improving Quantitative Trading Research Agents

본 논문에서는 양적 투자 연구 분야에서 재귀적인 자기 개선을 연구합니다. 즉, 자율 시스템이 이전 실험의 데이터를 활용하여 후속 단계에서 제안하는 가설과 후보들을 어떻게 개선할 수 있는지 살펴봅니다. 우리는 AQuA를 제시하며, 이는 두 개의 독립적인 언어 모델 기반 연구 시스템으로 구성됩니다. 하나는 상징적 요인 발견을 위한 시스템이고 다른 하나는 학습 가능한 모델 개발을 위한 시스템입니다. 두 시스템은 에이전트, 메모리, 후보 공간 또는 연구 상태를 공유하지 않습니다. 대신 각 시스템은 검증된 데이터를 유지하고 이를 사용하여 후속 제안을 안내함으로써 자체적인 연구 루프를 독립적으로 닫습니다. 이러한 제한적인 의미에서, 두 시스템 모두 연구 프로세스 수준에서 재귀적인 자기 개선을 구현합니다. 각 시스템은 또한 자체적으로 격리된 환경(sandbox) 내에서 운영되며, 데이터 분할, 특징 및 레이블 정의, 그리고 평가 지표는 고정되어 있지만 모델은 제약 조건이 있는 요인 표현 또는 구성 변경 사항만 사용할 수 있습니다. 요인 시스템은 관리자 중재 다중 에이전트 파이프라인으로 작동하며, 다양한 요인을 발견하고 결합하여 암호화폐 시장에서 약 0.190의 정보 계수를 달성합니다. 모델 시스템은 하이브리드 시계열 아키텍처를 기반으로 하는 구성 중심 루프로 작동하며, 미국 주식 시장에서 주당 평균 +0.0843의 정보 계수를 달성하고 이를 두 개의 거래 비용을 고려한 장/단 전략으로 변환하여 최대 +2.50의 샤프 지수를 얻습니다. 이 전략은 2021년부터 2025년까지 모든 해에 대해 수익을 창출합니다.

We study recursive self-improvement at the level of quantitative-investment research: whether an autonomous system can use evidence from earlier experiments to improve the hypotheses and candidates proposed in later iterations. We present AQuA, which comprises two separate language-model-driven research systems: one for symbolic factor discovery and one for trainable model development. The two systems do not share agents, memories, candidate spaces, or research state. Instead, each independently closes its own research loop by retaining validated evidence and using it to guide subsequent proposals. In this bounded sense, both systems implement recursive self-improvement at the level of the research process. Each system also uses its own sealed sandbox, which fixes the data splits, feature and label definitions, and evaluator while allowing the model to act only through constrained factor expressions or configuration diffs. The factor system, a manager-mediated multi-agent pipeline, discovers and combines factors into a signal that reaches a combined information coefficient of about $0.190$ on a crypto universe. The model system, a config-driven loop over a hybrid time-series architecture, reaches a per-stock information coefficient of $+0.0843$ on US equities and converts it into a threshold long/short strategy with a held-out Sharpe of up to $+2.50$ at a two-leg cost. The strategy is positive in every year from 2021 to 2025.