기술 요약: AgonAlpha

1. 문제 정의

본 논문은 자율적 알파 발견(autonomous alpha discovery) 분야의 결정적인 격차를 지적한다. LLM(대규모 언어 모델)이 그럴듯한 트레이딩 공식을 생성할 수는 있지만, 기존 시스템들은 완전한 자율 연구 에이전트로서 기능하는 데 실패하고 있다. 현재의 접근 방식들은 다음과 같은 네 가지 주요 결함으로 인해 어려움을 겪는다:

1. 탐색 단위(Search Unit): 대부분의 시스템은 고립된 공식(formula)을 대상으로 탐색하므로, 재현성에 필수적인 가설, 기각된 대안, 그리고 추론 맥락을 상실한다.
2. 검증(Verification): 자기 평가(self-evaluation)나 스칼라 임계값에 의존하는 방식은 생성된 후보와 이를 뒷받침하는 증거 사이의 일관성을 감사하는 데 실패한다.
3. 예산 할당(Budget Allocation): 정적 또는 고정된 일정의 할당 방식은 비용이 많이 드는 비동기적 플랫폼 평가를 적응적으로 관리하거나, 병렬적인 연구 계보(lineage)를 조정하지 못한다.
4. 증거 보존(Evidence Preservation): 핵심적인 실행 세부 사항, 프롬프트, 결정 경로가 빈번하게 누락되어 독립적인 검증과 재현이 불가능해진다.

저자들은 핵심 과제가 단순히 요인(factor)을 생성하는 것이 아니라, 증거를 보존하고, 비용이 많이 드는 평가를 할당하며, 제안(proposal)과 검증(verification)을 엄격히 분리하는 시스템을 설계하는 것이라고 주장한다.

2. 방법론: AgonAlpha 아키텍처

AgonAlpha는 "프롬프트 경제(Prompt Economy)" 철학을 구현하며, 두 개의 적대적 역할과 스케줄러를 사용하여 최소적이면서도 완전한 발견 아키텍처를 구축한다. 이 시스템은 가공되지 않은 공식이 아닌 **동결된 연구 아티팩트(frozen research artifacts)**를 대상으로 탐색한다.

2.1 핵심 구성 요소

• 아티팩트(Artifact, 탐색 단위): 탐색의 기본 단위는 가설($h$), 실행 가능한 표현식($f$), 플랫폼 증거($E$), 경제적 근거($r$), 그리고 검토 판정($v$)을 포함하는 튜플 $A = (h, f, E, r, v)$이다.
• 제안자(Proposer): 조상(ancestor) 보고서를 수신하고 플랫폼 인터페이스를 활용한다. 16개의 후보 공식을 생성하고, "반감 토너먼트(halving tournament, 연속적 제거)"를 수행하며, 전체 탐색 이력을 보고서로 동결한다. 제안자는 스스로 점수를 매기지 않으며, 오직 아티팩트를 준비하는 역할만 수행한다.
• 검토자(Reviewer): 별도의 모델 경로를 통해 **새로운 컨텍스트(fresh context)**에서 작동한다. 유일한 임무는 동결된 아티팩트를 감사하는 것이다. 검토자는 증거의 무결성을 검증하기 위해 플랫폼 시뮬레이션을 재실행할 수 있다. 만약 조작(표현식 불일치, 미래 참조 데이터, 또는 복사된 기록 등)을 감지하면, **거부권(veto authority)**을 행사하여 아티팩트의 점수를 0으로 설정한다.
• 스케줄러(Scheduler): 대기 상태를 인지하는 몬테카를로 트리 탐색(MCTS) 할당기이다. 어떤 연구 계보가 다음 평가 예산을 받을지 결정한다. 과도한 할당을 방지하기 위해 완료된 시뮬레이션뿐만 아니라 진행 중인(pending) 시뮬레이션도 추적한다.

2.2 주요 메커니즘

• 적대적 검증 프로토콜(Adversarial Verification Protocol): 검토자는 다섯 가지 차원의 감사를 수행한다:

  1. 증거 무결성: 미래 참조 데이터(look-ahead data)나 불일치하는 기록을 확인한다.
  2. 부호 논리(Sign Logic): 항의 방향이 명시된 메커니즘과 일치하는지 확인한다.
  3. 상수 근거: 특이한 계수에 대한 경제적 정당성을 요구한다.
  4. 시간적 안정성: 레짐 변화(예: 최선에서 최악으로의 연간 비율)를 확인한다.
  5. 선택 위험: 기존 알파와 유사한 중복 항목을 감지한다.
     오직 조작된 결과만이 0점 처리를 받으며, 그 외의 발견 사항은 권고 경고로 기록된다.

• 이단계 예산 할당(Two-Level Budget Allocation):

  • 상위 레벨 (계보 할당): 대기 인지형 UCB(Pending-Aware UCB) 알고리즘을 사용한다. 활발한 파이프라인의 고립을 방지하기 위해 탐색 항에 "대기 중(pending)" 카운트(진행 중인 작업)를 포함한다. 증거가 축적됨에 따라 브랜치를 확장하는 **점진적 확장(progressive widening)**을 채택한다.
  • 하위 레벨 (파이프라인 실행): 단일 파이프라인 내에서 반감 토너먼트를 사용한다. 16개의 후보로 시작하여 각 단계마다 하위 절반을 제거(16→8→4→2→1)하며, 이를 통해 최적의 후보를 정제하는 데 80개가 아닌 31개의 시뮬레이션만을 필요로 한다.

2.3 시스템 제약 조건

• 제로 코드(Zero-Code): 인간이 요인 표현식을 작성하지 않으며, 모든 로직은 프롬프트에 존재한다.
• 최소 프롬프트: 전체 워크플로우는 101줄의 역할 프롬프트(제안자 57줄, 검토자 44줄)로 실행된다.
• 범용적 도메인(OmniDisciplinary): 프롬프트에는 시장 특정 토큰(예: "주식")이 포함되지 않으며, 런타임 매뉴얼을 통해 도메인 지식을 주입할 수 있도록 설계되었다.

3. 실험 설정 및 결과

시스템은 데이터, 시뮬레이션 규칙, 등급 산정을 통제하는 외부 생산급 플랫폼인 WorldQuant BRAIN에 배치되어 독립적인 평가 체제를 보장받았다.

• 프로토콜: 5명의 독립적인 사용자가 서로 다른 모델 백엔드에 걸쳐 AgonAlpha를 배포했다.

• 범위: 총 60개의 제출물이 생성되었다.

• 성과:

  • 17개의 제출물이 최고 등급인 SPECTACULAR를 받았다.
  • 최고 지표: 적합도(Fitness)는 9.50, 샤프 지수(Sharpe ratio)는 3.48에 도달했다.
  • 강건성: 모든 알파는 회전율, 가중치 집중도, 서브 유니버스 성과, 자기 상관관계에 대한 엄격한 플랫폼 검사를 통과했다.
  • 다양성: 성공적인 알파들은 옵션 수요 정렬, 상대적 거래량 안정성, 숏 인테레스트 지속성, 멀티 테너 다운사이드 보험 불일치 등 뚜렷한 경제적 메커니즘을 포괄했다.

• 검토자 개입: 검토자는 24개의 동결된 보고서를 감사하였으며, 조작된 증거나 의미론적 불일치가 있는 아티팩트를 거부하기 위해 두 차례 거부권을 행사했다.

4. 주요 기여

본 논문은 다섯 가지 구체적인 기여를 주장한다:

1. C1 (감사 가능한 아키텍처): 검증된 아티팩트 탐색, 거부 권한을 가진 적대적 검토, 대기 인지형 병렬 예산 할당, 그리고 완전한 공개 증거 트레일을 결합한 최초의 알파 마이닝 시스템이다.
2. C2 (궤적 수준의 탐색): 탐색 단위를 고립된 공식에서 증거를 담은 아티팩트(연구 결정의 계보)로 전환했다.
3. C3 (적대적 검토): 재실행 및 거부 능력을 갖춘 별도의 새로운 컨텍스트 검토자를 도입하여, AlphaBench에서 나타난 자기 평가의 실패 문제를 해결했다.
4. C4 (대기 인지형 할당): 대기 인지형 MCTS를 통해 동시 작업을 관리함으로써 파이프라인 고립을 방지하고 자원 배분을 최적화하는 스케줄러를 제공한다.
5. C5 (전체 추적 가능 검증): 60개 제출물 전체에 대해 프롬프트, 결정, 검토 및 실행 가능한 표현식을 모두 공개함으로써, LLM 트레이딩 문헌의 재현성 격차를 해소했다.

5. 의의 및 주장

AgonAlpha는 단순한 요인 생성기가 아니라 자율 연구 시스템의 개념 증명(proof-of-concept)으로 자리매김한다. 이 논문의 의의는 다음과 같다:

• "Agon 철학"의 입증: 최소한의 두 역할 루프(101줄의 프롬프트)만으로도 고품질의 외부 검증된 연구 아티팩트를 생성할 수 있음을 증명했다.
• 탐색 공간의 재정의: "공식 수준"에서 "아티팩트 수준"의 탐색으로 이동하여, 후보가 왜 생성되었는지 이해하는 데 필요한 맥락을 보존했다.
• 독립성 확립: 외부 심판으로서 WorldQuant BRAIN을 사용함으로써, 발견 방법론과 평가 메커니즘을 분리하고 고정된 외부 통제 환경 하에서의 작동 능력을 검증했다.
• 재현성의 새로운 표준 설정: 저자들은 이것이 감사된 LLM 트레이딩 문헌에서 최초의 완전한 "프롬프트-투-팩터(prompt-to-factor)" 공개 사례이며, 모든 결과에 대한 완전한 증거 트레일을 제공한다고 주장한다.

논문은 이러한 메커니즘이 도메인에 구애받지 않으며, 제안, 검증, 자원 할당을 분리할 수 있는 환경이라면 잘 정의된 목적 평가 지표가 존재하는 모든 설정에 적용될 수 있다고 결론짓는다.