문법 기반 학습 및 검색을 통한 알파 발견

Alpha Discovery via Grammar-Guided Learning and Search

정량 금융 분야에서 공식화된 알파 요인을 자동으로 발견하는 것은 핵심적인 문제입니다. 기존 방법들은 종종 구문 및 의미 제약 조건을 무시하고, 구조화되지 않고 경계가 없는 공간에 대한 광범위한 검색에 의존합니다. 본 논문에서는 구문적으로 유효하고, 금융적으로 해석 가능하며, 계산적으로 효율적인 알파 요인을 정의하고 발견하기 위한 문법 기반 프레임워크인 AlphaCFG를 제시합니다. AlphaCFG는 알파 지향적인 컨텍스트 자유 문법을 사용하여 트리 구조의 크기 제어 검색 공간을 정의하고, 알파 발견을 트리 구조의 언어적 마르코프 의사 결정 문제로 공식화합니다. 이 문제는 구문 감지 값 및 정책 네트워크에 의해 안내되는 문법 인식 몬테카를로 트리 검색을 사용하여 해결됩니다. 중국 및 미국 주식 시장 데이터 세트에 대한 실험 결과, AlphaCFG는 검색 효율성과 거래 수익성 측면에서 최첨단 기준 모델보다 우수한 성능을 보입니다. AlphaCFG는 거래 전략 외에도 자산 가격 결정 및 포트폴리오 구성 등 정량 금융 전반에 걸쳐 기호 요인 발견 및 개선을 위한 일반적인 프레임워크로 사용될 수 있습니다.

Automatically discovering formulaic alpha factors is a central problem in quantitative finance. Existing methods often ignore syntactic and semantic constraints, relying on exhaustive search over unstructured and unbounded spaces. We present AlphaCFG, a grammar-based framework for defining and discovering alpha factors that are syntactically valid, financially interpretable, and computationally efficient. AlphaCFG uses an alpha-oriented context-free grammar to define a tree-structured, size-controlled search space, and formulates alpha discovery as a tree-structured linguistic Markov decision process, which is then solved using a grammar-aware Monte Carlo Tree Search guided by syntax-sensitive value and policy networks. Experiments on Chinese and U.S. stock market datasets show that AlphaCFG outperforms state-of-the-art baselines in both search efficiency and trading profitability. Beyond trading strategies, AlphaCFG serves as a general framework for symbolic factor discovery and refinement across quantitative finance, including asset pricing and portfolio construction.