수익률이 좋으면 좋은 factor 인가
FaVOR: LLM-Based Agentic Framework for Factor Mining via Empirical Validation
- 논문
- FaVOR: LLM-Based Agentic Framework for Factor Mining via Empirical Validation
- 저자
- Hyeonjin Kim*, Minseok Kim*, Seunghyeon Jung*, Sujin Pyo, Huisu Jang, Woojin Lee* 공동 1저자
- 학회
- The 2026 Conference on Empirical Methods in Natural Language Processing (EMNLP 2026)
- 트랙
- Findings
배경
전통적인 factor 설계는 시장 관찰에서 시작합니다. 연구자가 가격과 거래 활동에 드러나는 경제적 상태를 먼저 짚고, 초과수익을 구조적 위험이나 시장 마찰, 일시적 불균형과 연결하는 경제 가설을 세웁니다. 그 가설은 엄밀한 실증 검증을 통과한 뒤에야 factor 가 됩니다. 이 전통에서 factor 는 예측 공식이 아니라 검증을 거친 경제적 주장입니다.
LLM 기반 다중 에이전트가 이 과정을 자동화하면서 사람 손으로는 닿을 수 없는 규모의 factor 발굴이 가능해졌고, 벤치마크 지수 대비 초과수익도 보고되고 있습니다. 다만 이들 접근은 수익률을 직접 목표로 삼습니다. 가설에서 수식으로 한 번에 건너뛰고, 나온 수식이 원래 가설을 여전히 표현하는지는 되묻지 않습니다.
생성된 factor 가 그것을 낳은 경제 가설을 여전히 표현하는지는 거의 확인되지 않습니다.
그 결과 수학적 형태와 경제적 의미가 어긋난 factor 가 남습니다. 진짜 신호와 우연한 상관을 가르는 선이 흐려지고, 시장 국면이 바뀌는 순간 무너집니다.
제안 방법
FaVOR(Factor Validation through Observable Reasoning)는 수익 결과가 아니라 가설 수준의 증거를 중심으로 factor 발굴을 재구성합니다. 가설에서 수식으로 건너뛰는 자리에 세 단계 일관성 루프를 넣어, 수학적 형태와 경제적 근거를 끝까지 묶어 둡니다.
첫 단계는 분해(Decomposition)입니다. 넓은 경제 가설을 서로 독립적인 관측 가능 조건들로 쪼갭니다. 예를 들어 급락 이후 장중 회복을 보인 종목이 단기 반등한다는 가설은 급락 이후 상태와 장중 회복 같은 조건으로 나뉩니다.
두 번째는 검증(Validation)입니다. 조건마다 후보 factor 를 만들고, 그 factor 값이 커질수록 의도한 시장 상태가 실제로 나타나는지를 분포 증거로 확인합니다. 통과하지 못한 후보는 버립니다. 이 판정이 백테스트 이전에 이루어진다는 점이 핵심입니다.
세 번째는 통합(Integration)입니다. 살아남은 factor 를 조건별로 하나씩 골라 조합하고, 구조가 해석 가능한 상태로 남는 복합 factor 를 만듭니다. 이때 Directional Selectivity 를 기준으로 삼습니다. 진입 규칙의 선택도를 높이면 거래 기회가 줄고 가정한 시장 상태의 강한 실현만 남는데, 그렇게 조여도 실현 수익의 방향이 유지되는지를 봅니다.
실험 설정
- 백테스트
- Qlib 로 두 개 주식 유니버스에서 수행. 중국 A주 CSI 500(Baostock)과 미국 S&P 500(Yahoo Finance)
- 기간
- 학습 2022-01-01~2023-12-31, 검증 2024년, 시험 2025년. factor 검증과 통합은 학습 구간, 임계값 최적화는 검증 구간에서 하고 2025년은 표본 외 평가 전용
- 지표
- 연율화 초과수익 AR, 정보비율 IR, 최대낙폭 MDD, 누적 초과수익 CR
- 비교 대상
- ML·DL 계열 Linear, XGBoost, LightGBM, MLP, Transformer / 강화학습 계열 AlphaForge, AlphaQCM / LLM 기반 R&D-Agent-Quant, AlphaAgent
결과
- CSI 500 에서 네 지표 모두 1위였습니다. AR 0.2067, IR 1.5295, MDD −0.0853, CR 0.2225 로, 수익을 키우면서 하방 위험은 동시에 줄였습니다. 가장 근접한 LLM 기반 baseline 인 R&D-Agent 는 AR 0.1382, IR 1.3360 이었습니다.
- S&P 500 에서도 네 지표 모두 1위였습니다. AR 0.1062, IR 1.1315, MDD −0.0443, CR 0.1123 으로, 시장을 바꿔도 결과가 유지됐습니다.
- ML·DL 계열은 두 시장 모두에서 대체로 음의 초과수익에 그쳤습니다. CSI 500 에서 LightGBM 이 AR −0.1576, S&P 500 에서 Transformer 가 AR −0.1744 였습니다. 강화학습 계열 중에서는 AlphaQCM 이 CSI 500 AR 0.0869 로 유일하게 양의 구간에 들었습니다.
- 국면이 바뀌어도 효과가 유지됐습니다. 가설 수준에서 근거를 확인하고 만든 신호가 특정 구간에만 통하는 우연이 아니라는 뜻입니다.
의의
factor 를 수익률만 보고 고르면 진짜 신호와 우연한 상관이 섞이고, 그 차이는 시장 국면이 바뀌는 순간에야 드러납니다. FaVOR 는 가설을 관측 가능한 조건으로 쪼개고 각 조건이 실제로 성립하는지 백테스트 이전에 확인하기 때문에, 나온 factor 가 구조상 해석 가능하고 국면 변화에 견딥니다.