[論文レビュー] Automate Strategy Finding with LLM in Quant Investment

Zhizhuo Kou, Holam Yu+8 more|arXiv (Cornell University)|Sep 10, 2024

Stock Market Forecasting MethodsDecision Sciences被引用数 3

ひとこと要約

本論文は、定量的投資における自動化されたアルファ要因の発見および動的ポートフォリオ最適化を目的とした、LLMを活用したマルチエージェントフレームワークを提案する。マルチモーダルな金融データからLLMを用いて多様なアルファ要因を抽出し、リアルタイムの市場状況に基づいて適応的に取引エージェントを組み合わせる動的ウェイトゲーミング機構を採用することで、中国株式市場において最先端のベースラインを上回る優れたパフォーマンスと安定性を達成した。

ABSTRACT

We present a novel three-stage framework leveraging Large Language Models (LLMs) within a risk-aware multi-agent system for automate strategy finding in quantitative finance. Our approach addresses the brittleness of traditional deep learning models in financial applications by: employing prompt-engineered LLMs to generate executable alpha factor candidates across diverse financial data, implementing multimodal agent-based evaluation that filters factors based on market status, predictive quality while maintaining category balance, and deploying dynamic weight optimization that adapts to market conditions. Experimental results demonstrate the robust performance of the strategy in Chinese & US market regimes compared to established benchmarks. Our work extends LLMs capabilities to quantitative trading, providing a scalable architecture for financial signal extraction and portfolio construction. The overall framework significantly outperforms all benchmarks with 53.17% cumulative return on SSE50 (Jan 2023 to Jan 2024), demonstrating superior risk-adjusted performance and downside protection on the market.

研究の動機と目的

• 既存のディープラーニングモデルが示す不安定さと高い不確実性を是正するため、より適応的で解釈可能なフレームワークを導入すること。
• 従来のルールベースのアルファ抽出手法の硬直性を克服し、LLMを用いて継続的かつデータ駆動型の多様なアルファ要因を発見可能にする。
• リアルタイムでの市場状況評価と最適なアルファ要因の選択を可能にするマルチエージェントアーキテクチャを採用することで、異なる市場環境下でも戦略の頑健性を向上させる。
• 市場状態に応じて取引エージェントの重みを動的に調整する文脈に配慮したゲーミング機構を用いることで、ポートフォリオパフォーマンスを向上させる。
• 中国株式市場データを用いた広範なバックテストを通じて、本フレームワークの有効性を実証し、SOTAモデルおよびベンチマークを上回ることを確認した。

提案手法

• 数値的市場データ、金融研究論文、視覚的チャートを含むマルチモーダルなデータソースから、大規模言語モデル（LLM）を活用して潜在的なアルファ要因を抽出・分類する。
• アンサンブル学習を用いて、異なるリスク志向性を持つ多様な取引エージェントのプールを構築し、さまざまな市場環境における包括的分析を可能にする。
• 現在の市場状況に応じて、関連性の高いエージェントにリアルタイムで重みを割り当てる動的ウェイトゲーミング機構を実装し、文脈に適応した戦略構成を実現する。
• 複数の市場環境における履歴バックテストとLLMが生成したアルファシグナルを統合し、予測性能の検証と最適化を実施する。
• マルチエージェントアーキテクチャを用いて、異なる市場シナリオ下での各アルファ要因の関連性と有効性を評価し、戦略の頑健性と適応性を向上させる。
• 重み付けされたアルファ戦略を統合し、市場ダイナミクスに継続的に適応することで、リスク調整リターンを最大化する複合投資式を構築する。

Figure 1. Pipeline of Quant Trading Company

実験結果

リサーチクエスチョン

• RQ1 LLMは、テキスト、数値、視覚的入力が含まれるマルチモーダルな金融データから、多様かつ解釈可能なアルファ要因を効果的に抽出・生成できるか？
• RQ2 リスク志向性に差を持つ異種のマルチエージェントシステムは、変動しやすい市場環境下でも、定量的投資戦略の頑健性と適応性をどのように向上させるか？
• RQ3 リアルタイムの市場レジームに基づいて最も関連性の高いエージェントを選択・重み付けする動的ウェイトゲーミング機構は、戦略パフォーマンスをどの程度向上させるか？
• RQ4 本フレームワークは、実世界の株式市場データにおいて、リスク調整リターンと安定性の観点から、最先端のモデルおよび従来の人的な戦略をどの程度上回るか？
• RQ5 LLMとマルチエージェントシステムの統合は、定量的投資における自動アルファ発見のスケーラビリティと保守性を高める、より効果的なアプローチを可能にするか？

主な発見

• 本フレームワークは、中国株式市場データにおいて、シャープレシオ、累積リターン、最大回帰率といった複数の金融指標で、最先端のベースラインを顕著に上回った。
• LLMが生成したアルファとマルチエージェントアーキテクチャの統合により、異なる市場レジーム下でもより安定的で適応的な戦略が実現され、パフォーマンスのボラティリティが低減した。
• 動的ウェイトゲーミング機構は、リアルタイムの市場状況に基づいて関連性の高い取引エージェントを的確に特定・優先順位付けし、全体の戦略パフォーマンスを向上させた。
• 本フレームワークは、人間トレーダーやパッシブ市場インデックスと比較しても優れたパフォーマンスを示し、定量的投資分野における実用的導入の可能性を裏付けた。
• LLMを用いたアルファ要因の初期生成プロセスにより、新規研究やデータの出現に伴い段階的かつ継続的な更新が可能となり、長期的な関連性と適応性が保証された。
• 広範なバックテストの結果、マルチエージェント評価システムが、多様な市場シナリオにおけるパフォーマンス評価を通じて、アルファ要因選定の頑健性を高めていることが確認された。

Figure 2. (A) An example of the seed alpha. (B) Its equivalent expression tree. (C) Step-by-step computation of this seed alpha on an example time series.