알파프로브: 그래프 기반 알파 팩터 탐색 혁신

초록

AlphaPROBE는 알파 팩터를 DAG(Directed Acyclic Graph) 형태로 조직하고, 베이지안 기반 팩터 검색기와 그래프‑인식 생성기를 결합해 전역 구조를 활용한다. 이를 통해 기존의 독립적 생성(DFG)과 국소 진화(IFE) 방식이 갖는 중복·다양성 부족 문제를 해소하고, 중국 A‑주식 시장 3개 데이터셋에서 예측 정확도·수익 안정성·학습 효율을 크게 향상시켰다.

상세 분석

AlphaPROBE 논문은 알파 팩터 마이닝을 “전략적 그래프 탐색” 문제로 재정의한다는 점에서 기존 연구와 근본적인 차별성을 가진다. 기존의 Decoupled Factor Generation(DFG) 방식은 팩터를 독립적인 샘플로 취급해 전역적인 관계 정보를 전혀 활용하지 못한다. 반면 Iterative Factor Evolution(IFE)은 부모‑자식 관계만을 고려해 로컬 최적화에 머무른다. 두 접근법 모두 팩터 풀을 ‘무구조 집합’ 혹은 ‘단일 체인’으로 바라보는 한계가 있다. AlphaPROBE는 팩터를 노드, 진화 관계를 엣지로 하는 DAG를 구축함으로써, 팩터 간의 전역적인 위계와 연결성을 명시적으로 모델링한다.

핵심 구성 요소는 (1) 베이지안 팩터 검색기와 (2) DAG‑aware 팩터 생성기이다. 베이지안 검색기는 후방 확률 P(F_new | D) ∝ P(F_new)·P(D | F_new) 형태로 팩터의 ‘잠재적 가치’를 정량화한다. 여기서 prior P(F_new)는 부모 팩터의 품질(정규화된 퀄리티)과 두 개의 구조적 페널티—depth penalty와 retrieval penalty—를 결합한 시그모이드 스코어로 정의한다. depth penalty는 과도한 최적화(깊은 트리)로 인한 과적합 위험을 γ 파라미터로 억제하고, retrieval penalty는 동일 팩터의 반복 사용을 ω 파라미터로 제어해 탐색‑활용 균형을 맞춘다.

likelihood P(D | F_new)은 새로운 팩터가 전체 풀에 기여하는 ‘마진 유틸리티’를 추정한다. 저자는 leaf와 non‑leaf 팩터를 구분해, leaf 팩터는 가치·의미·구문 차원의 다양성(diversity) 지표(V alDiv, SemDiv, SynDiv)를 곱해 잠재적 신선도를 평가한다. non‑leaf 팩터는 기존 자식들의 성공률을 기반으로 기대 개선량을 추정한다. 이러한 베이지안 프레임워크는 전역 구조 정보를 통합하면서도 개별 팩터의 성과를 반영하는 균형 잡힌 선택 메커니즘을 제공한다.

생성 단계에서는 LLM 기반 팩터 생성기가 선택된 부모의 전체 ‘생성 트레이스’를 입력으로 사용한다. 트레이스는 루트부터 현재 부모까지의 연속적인 변형 기록을 포함하므로, 모델은 이미 시도된 변형 패턴을 인식하고 중복 변이를 피하면서 새로운 변형을 제안한다. 이는 기존 IFE가 부모‑자식 1‑step 변형에 머무는 문제를 해결하고, 탐색 공간을 효율적으로 확장한다. 생성된 팩터는 다시 DAG에 삽입되어 순환 구조가 유지된다.

실험에서는 CSI 300, 500, 1000 세 개의 중국 주식 시장 데이터를 사용해 8개의 최신 베이스라인(전통 전문가 팩터, 강화학습 기반, LLM 기반 등)과 비교하였다. AlphaPROBE는 Sharpe Ratio, IC, 포트폴리오 변동성 등 다중 지표에서 일관된 우위를 보였으며, 특히 동일 학습 시간 대비 30% 이상 빠른 수렴 속도를 기록했다. Ablation study는 베이지안 검색기의 prior·likelihood 구성 요소가 각각 성능에 미치는 영향을 정량화했으며, depth와 retrieval 페널티 파라미터가 과적합 방지와 탐색 다양성 확보에 핵심 역할을 함을 확인했다.

이 논문은 알파 팩터 탐색에 그래프 이론과 베이지안 의사결정을 접목함으로써, 전역적인 진화 맥락을 활용한 효율적·다양한 팩터 생성 방법을 제시한다. 향후 연구는 DAG 구조를 동적으로 확장·축소하는 메커니즘, 멀티‑에이전트 협업, 그리고 비중국 시장에 대한 일반화 검증 등으로 확장될 수 있다.