QuantaAlpha: LLM 기반 알파 추출을 위한 진화적 프레임워크

QuantaAlpha: An Evolutionary Framework for LLM-Driven Alpha Mining

금융 시장은 노이즈가 많고 비정상적이어서 알파 추출은 백테스팅 결과의 노이즈와 급격한 시장 변화에 매우 민감합니다. 최근의 에이전트 기반 프레임워크는 알파 추출 자동화를 개선하지만, 종종 제어 가능한 다단계 검색 기능과 검증된 경험의 신뢰성 있는 재사용이 부족합니다. 이러한 문제점을 해결하기 위해, 우리는 각 전체 추출 과정을 궤적으로 간주하고 궤도 수준의 돌연변이 및 교차 연산을 통해 요인을 개선하는 진화적 알파 추출 프레임워크인 QuantaAlpha를 제안합니다. QuantaAlpha는 각 궤도에서 최적이 아닌 단계를 찾아 수정하고, 상호 보완적인 고수익 단편을 결합하여 효과적인 패턴을 재사용함으로써, 체계적인 탐색과 개선을 여러 추출 반복 과정을 통해 가능하게 합니다. QuantaAlpha는 요인 생성 과정에서 가설, 요인 표현, 실행 가능한 코드 간의 의미적 일관성을 유지하고, 생성된 요인의 복잡성과 중복을 제한하여 경쟁 심화를 완화합니다. 중국 주식 지수 300(CSI 300)에 대한 광범위한 실험 결과, QuantaAlpha는 강력한 기준 모델 및 기존 에이전트 기반 시스템보다 일관된 성과 향상을 보여줍니다. GPT-5.2를 사용할 때, QuantaAlpha는 정보 계수(IC) 0.1501, 연간 수익률(ARR) 27.75%, 최대 손실률(MDD) 7.98%를 달성했습니다. 또한, CSI 300에서 추출된 요인은 중국 주식 지수 500(CSI 500) 및 S&P 500 지수로 효과적으로 이전되어, 각각 4년 동안 160% 및 137%의 누적 초과 수익을 제공하며, 이는 시장 분포 변화에 대한 QuantaAlpha의 강력한 견고성을 나타냅니다.

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.