QRAFTI: An Agentic Framework for Empirical Research in Quantitative Finance

QRAFTI: 양적 금융 실증 연구를 위한 에이전트 프레임워크

이 논문은 대규모 금융 패널 데이터를 기반으로 한 주식 팩터 (Factor) 연구 워크플로우를 자동화하고 재현성을 높이기 위해 설계된 QRAFTI(Quantitative Research Assistants with Financial Tools and Intelligence) 라는 다중 에이전트 (Multi-Agent) 프레임워크를 제안합니다.

1. 문제 정의 (Problem)

양적 금융 연구는 아이디어 생성, 데이터 수집 및 정제, 신호 및 팩터 구성, 백테스팅, 리스크 조정, 견고성 평가, 그리고 보고서 작성에 이르는 다단계 프로세스입니다. 기존 연구 방식은 다음과 같은 한계를 가집니다:

• 구현 민감성: 유니버스 스크리닝, 지연 (lag) 규칙, 구간 정의, 가중치 규칙 등 사소해 보이는 구현 선택이 실증 결과에 중대한 영향을 미칩니다.
• 재현성 부족: "팩터 동물원 (Factor Zoo)" 현상으로 인해 수많은 예측 변수가 제안되었으나, 데이터 마이닝 편향이나 p-hacking 으로 인해 재현되지 않거나 경제적으로 의미가 없는 경우가 많습니다.
• LLM 의 한계: 기존 LLM 은 장기간의 상호의존적인 워크플로우에서 이전 결과를 잊어버리거나 평가 목표를 놓치는 경우가 많으며, 단순한 코드 생성만으로는 복잡한 실증 연구의 정확성과 설명 가능성을 보장하기 어렵습니다.

2. 방법론 (Methodology)

QRAFTI 는 자연어 기반의 연구 요청을 명시적인 다단계 계산으로 변환하는 도구 증강 (Tool-augmented) 다중 에이전트 시스템입니다.

가. 다중 에이전트 아키텍처
연구 팀의 역할을 모방하여 전문화된 에이전트들이 협업합니다:

1. 팩터 연구 에이전트 (Factor Research Agent): 사용자의 요청을 해석하고, 작업을 분해하며, 팩터 구성 경로를 유지합니다.
2. 표준화 보고 에이전트 (Standardized Reporting Agent): 표준화된 진단 지표와 서술형 연구 보고서를 생성합니다.
3. 코드 작성 에이전트 (Code Writing Agent): 내장 도구가 부족할 때 맞춤형 Python 코드를 작성하고 실행합니다.

나. 핵심 기술적 구성 요소

• 패널 데이터 클래스 및 API: 시계열과 자산 (T × N) 으로 인덱싱된 패널 데이터를 추상화하여, Winsorization(윈소라이제이션), 분위수 바인팅, 롤링 변환 등 공통 금융 연산을 자동화합니다.
• MCP(Model Context Protocol) 도구 호출: 팩터 연구 연산자 (기본 연산, 횡단면 변환, 시계열 변환, 포트폴리오 구성 등) 를 표준화된 호출 가능한 도구로 노출합니다. 에이전트는 가능한 경우 도구 호출을 우선시하여 오류를 줄입니다.
• 반성 기반 계획 (Reflection-based Planning): 에이전트가 즉시 실행하는 대신 3 단계 프로세스를 거칩니다:
  1. 초안 작성 (Drafting): 도구 세트를 기반으로 단계별 계획 수립.
  2. 비판 (Critique): 기술적 구현 가능성과 논리적 타당성 검토.
  3. 정제 (Refinement): 비판을 반영하여 수정된 계획 수립.
• 컨텍스트 압축 (Context Compaction): 긴 대화 기록에서 중요한 정보 (계산된 패널 ID, 데이터 입력, 변환, 의존성 등) 를 구조화된 요약으로 변환하여 LLM 의 기억 한계를 극복합니다.
• 가시성 및 감사: 계산 그래프 (Computation Graph) 를 통해 작업 의존성과 정보 흐름을 시각화하고, 모든 코드와 출력을 기록하여 재현성을 보장합니다.

3. 주요 기여 (Key Contributions)

1. 실증 연구 파이프라인의 자동화: 자연어 요청을 표준화된 팩터 연구 워크플로우로 변환하는 최초의 다중 에이전트 프레임워크 중 하나를 제시합니다.
2. 재현성과 설명 가능성 강화: 도구 호출과 반성적 계획을 통해 "블랙박스" 코드 생성을 넘어, 중간 결정 사항과 계산 경로를 투명하게 추적할 수 있게 합니다.
3. 표준화된 진단 프레임워크: 제안된 신호가 기존 팩터와 구별되는지, 거래 비용과 리스크를 고려했을 때 경제적으로 유의미한지를 평가하는 표준화된 보고서 (커버리지, 스프레드 통계, 알파, 크기별 분석 등) 를 자동 생성합니다.
4. 새로운 팩터 아이디어 검증: 고수준의 가설 (예: 워렌 버핏의 투자 철학) 을 입력받아 구체적인 팩터로 구현하고, 즉시 표준화된 진단 프로토콜로 검증하는 '아이디어 - 증거' 엔진 역할을 수행합니다.

4. 실험 결과 (Results)

논문은 Fama-French HML(가치) 팩터와 Jensen et al. 의 가격 모멘텀 팩터 재현, 그리고 새로운 팩터 생성 실험을 통해 시스템을 평가했습니다.

• 재현성: Ken French 및 Jensen et al. 의 벤치마크 데이터와 비교했을 때, 생성된 팩터 수익률 간에 높은 일치도 (45 도 선에 근접한 산점도) 를 보였습니다.
• 성능 비교 (Sim@k 지표):
  • 도구 세트 활용: 모든 도구를 사용할 경우, 특히 다단계 (Multi-step) 작업에서 성능이 크게 향상되었습니다.
  • 반성 계획의 효과: 다단계 작업에서 반성 기반 계획 (Reflection-based planning) 을 추가하면 1 회 시도 (One-shot) 의 성능이 0.74 에서 0.98 로 크게 개선되었습니다.
  • 코드 생성만 의존할 경우: 도구 없이 코드 생성에만 의존할 경우 2 단계 및 다단계 작업에서 성능이 현저히 저하되었습니다 (Sim@1 기준 0.59).
• 새로운 팩터 생성: 버핏 스타일의 '품질 - 합리적 가격' 팩터를 성공적으로 생성하고, 표준화된 리포트를 통해 그 유효성을 진단했습니다.

5. 의의 및 결론 (Significance)

QRAFTI 는 양적 금융 연구의 패러다임을 변화시킬 잠재력을 가집니다:

• 연구자의 역할 변화: 수동적인 데이터 조작 및 코딩에서 벗어나, 에이전트 연구 조수들의 설계와 관리, 그리고 연구 설계 및 경제학적 해석에 집중하는 역할로 전환됩니다.
• 신뢰성 있는 팩터 발견: 데이터 마이닝 편향을 줄이고, 재현 가능한 표준화된 프로세스를 통해 진정한 위험 요인과 통계적 아티팩트를 구분하는 데 기여합니다.
• 미래 방향: 단순한 챗봇을 넘어, 도구 기반의 다중 에이전트 시스템이 실증 금융 연구의 표준 인프라가 될 수 있음을 입증했습니다. 향후 더 다양한 작업과 데이터셋에 대한 평가가 필요하지만, 재현성과 설명 가능성에 중점을 둔 이 프레임워크는 양적 연구의 투명성을 크게 높일 것으로 기대됩니다.