문법이 이끄는 학습과 탐색, 알파 팩터 발견의 새로운 지평

초록

본 연구는 양적 금융의 핵심 과제인 공식화된 알파 팩터의 자동 발견을 위해 ‘AlphaCFG’ 프레임워크를 제안합니다. 기존 방법과 달리 구문 및 의미 제약을 고려한 문법 기반 접근법을 통해 유효하고 해석 가능하며 효율적인 알파 팩터를 발견하며, 중국 및 미국 시장 데이터에서 검색 효율과 수익성 모두에서 최고 수준의 성능을 입증했습니다.

상세 분석

AlphaCFG의 핵심 혁신은 알파 팩터 발견 문제를 구조화된 언어 생성 문제로 재정의한 데 있습니다. 기존 유전 프로그래밍이나 강화학습 기반 방법들은 무한에 가까운 비구조화된 표현 공간을 탐색해야 했고, 이로 인해 검색 비효율성과 의미적 중복 문제가 발생했습니다.

AlphaCFG는 이를 해결하기 위해 두 단계의 공식 언어를 도입합니다. 첫째, ‘α-Syn’ 문법은 연산자 항수와 전위 표기법을 통해 구문적으로 올바른 표현만을 생성합니다. 둘째, ‘α-Sem’ 문법은 여기에 롤링 창 크기 제약, 비자명성, 수치적 타당성, 시계열 일관성 등 금융 도메인 특유의 의미적 제약을 내재시킵니다. 마지막으로 표현 길이에 상한(K)을 두는 ‘α-Sem-K’를 정의하여 탐색 공간을 유한하고 관리 가능하게 만듭니다.

이 문법 기반 공간 위에 연구진은 ‘트리 구조 언어적 마르코프 결정 과정(TSL-MDP)‘을 정의합니다. 각 상태는 부분 표현 트리이며, 완전한 알파 팩터는 종단 상태가 되고, 보상은 실제 시장 데이터에서 계산된 정보 계수(IC)로 부여됩니다. 이 문제를 해결하기 위해 문법 인식 몬테카를로 트리 탐색(MCTS)을 설계했습니다. 여기서 각 부분 트리는 Tree-LSTM으로 인코딩되어 구문 구조를 보존한 채 표현 학습이 이루어지며, 이 표현은 가치 네트워크(기대 성능 추정)와 정책 네트워크(유망한 확장 예측)에 공유됩니다. MCTS의 행동 선택은 이 학습된 네트워크의 출력으로 보정된 구문 인식 UCB 규칙에 의해 안내됩니다.

이러한 접근법의 강점은 세 가지입니다. 1) 문법이 유도하는 강한 귀납적 편향으로 인해 무의미한 공간 탐색을 근본적으로 차단하고 샘플 효율성을 극대화합니다. 2) 트리 구조 표현과 Tree-LSTM을 사용함으로써 의미적으로 동등한 다양한 구문 변형들을 하나의 표현 아래 일반화할 수 있어 학습과 탐색의 중복을 크게 줄입니다. 3) 문법과 목적 함수를 유연하게 변경함으로써 거래 전략 이상의 다양한 양적 금융 작업(자산 가격 결정, 포트폴리오 구성 등)으로의 일반화가 용이합니다.