[논문 리뷰] Automate Strategy Finding with LLM in Quant Investment

Zhizhuo Kou, Holam Yu외 8명|arXiv (Cornell University)|2024. 09. 10.

Stock Market Forecasting MethodsDecision Sciences인용 수 3

한 줄 요약

이 논문은 양방향 금융 데이터에서 다양한 알파 요소를 추출하고 실시간 시장 조건에 따라 동적으로 거래 에이전트를 조합하는 LLM 기반의 다중 에이전트 프레임워크를 제안한다. LLM을 활용해 다양한 알파를 추출하고, 실시간 시장 상태에 따라 적응적으로 가중치를 조정하는 동적 웨이트 게이팅 메커니즘을 도입함으로써, 중국 주식 시장에서 최신 기준 모델들보다 뛰어난 성능과 안정성을 확보한다.

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.

연구 동기 및 목표

• 기존 딥러닝 모델의 불안정성과 높은 불확실성을 해결하기 위해 더 적응형이고 해석 가능한 프레임워크를 도입한다.
• 기존 규칙 기반 알파 마이닝 방법의 경직성을 극복하기 위해 LLM을 활용해 지속적이고 데이터 기반의 다양한 알파 요소를 탐색한다.
• 실시간으로 다양한 시장 조건에서 최적의 알파 요소를 평가하고 선택하는 다중 에이전트 아키텍처를 통해 전략의 강건성을 향상시킨다.
• 시장 제도에 따라 현재의 시장 상태에 맞게 거래 에이전트의 가중치를 동적으로 조정하는 맥락 인식 게이팅 메커니즘을 활용해 포트폴리오 성과를 향상시킨다.
• 중국 주식 시장 데이터를 대상으로 광범위한 백테스팅을 수행하여, 제안된 프레임워크가 SOTA 모델과 기준 모델을 초월하는 성능을 보임을 입증한다.

제안 방법

• 다양한 수치적 시장 데이터, 금융 연구 논문, 시각적 차트를 포함한 다중 모odal 데이터 소스에서 잠재적 알파 요소를 추출하고 분류하기 위해 대규모 언어 모델(Large Language Models, LLMs)을 활용한다.
• 다양한 리스크 선호도를 가진 거래 에이전트의 다양성 풀을 앙상블 학습을 통해 구성함으로써, 다양한 시장 제도에서의 포괄적 분석을 가능하게 한다.
• 현재 시장 조건에 따라 가장 관련성이 높은 에이전트에 실시간 가중치를 할당하는 동적 웨이트 게이팅 메커니즘을 구현하여 맥락 인식 전략 조합을 보장한다.
• 역사적 백테스팅을 통해 LLM이 생성한 알파 신호를 다양한 시장 환경에서 융합하여 예측 성능를 검증하고 개선한다.
• 다양한 시장 상황에서 각 알파 요소의 관련성과 효과성을 평가하기 위해 다중 에이전트 아키텍처를 적용함으로써 강건성과 적응성을 향상시킨다.
• 가중치를 부여한 알파 전략을 통합하여 지속적인 시장 역학 변화에 적응하는 복합 투자 공식을 구성함으로써, 리스크 조정 수익률을 극대화한다.

Figure 1. Pipeline of Quant Trading Company

실험 결과

연구 질문

• RQ1 LLM은 텍스트, 수치, 시각적 입력을 포함한 다중 모달 금융 데이터에서 효과적으로 다양한 해석 가능한 알파 요소를 추출하고 생성할 수 있는가?
• RQ2 다양한 리스크 선호도를 가진 다중 에이전트 시스템은 동적인 시장 조건에서 정량적 거래 전략의 강건성과 적응성을 어떻게 향상시키는가?
• RQ3 실시간 시장 제도에 기반해 가장 관련성이 높은 에이전트를 선택하고 가중치를 조정하는 동적 웨이트 게이팅 메커니즘이 전략 성능을 얼마나 향상시키는가?
• RQ4 실제 주식 시장 데이터에서 제안된 프레임워크는 리스크 조정 수익률과 안정성 측면에서 최신 기준 모델과 전통적인 인간 기반 전략보다 얼마나 뛰어나게 성과를 내는가?
• RQ5 LLM과 다중 에이전트 시스템의 통합은 정량적 투자에서 자동 알파 탐색의 확장성과 유지보수성 향상에 기여하는가?

주요 결과

• 제안된 프레임워크는 중국 주식 시장 데이터에서 샤프 비율, 누적 수익률, 최대 낙폭 등의 다수 재무 지표에서 최신 기준 모델들을 뛰어넘는 성능을 보였다.
• LLM이 생성한 알파와 다중 에이전트 아키텍처의 통합은 다양한 시장 제도에서 성능 변동성을 줄이며 더 안정적이고 적응력 있는 전략을 만들어냈다.
• 동적 웨이트 게이팅 메커니즘은 실시간 시장 상태에 기반해 가장 관련성이 높은 거래 에이전트를 효과적으로 식별하고 우선순위를 정함으로써 전반적인 전략 성능을 향상시켰다.
• 프레임워크는 인간 트레이더와 패시브 마켓 인덱스보다 뛰어난 성능을 보이며, 정량적 투자 분야에서 실용적 구현 가능성을 입증했다.
• LLM 기반의 알파 생성 프로세스는 새로운 연구와 데이터가 출현함에 따라 점진적인 업데이트가 가능해 장기적인 관련성과 적응성을 확보한다.
• 광범위한 백테스팅을 통해 다중 에이전트 평가 시스템이 다양한 시장 상황에서의 성능 평가를 통해 알파 요소 선택의 강건성을 향상시킨다는 것이 확인되었다.

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.