Hubble：安全かつ自動化されたアルファ・ファクター発見のための、LLM駆動エージェンティック・フレームワーク

要旨: 定量ファイナンスにおいて予測的なαファクターを発見することは、巨大な組合せ的探索空間と、金融データに本質的に内在する低いシグナル対雑音比によって、依然として非常に困難な課題である。既存の自動化手法、特に遺伝的プログラミングでは、複雑で解釈不能な数式が生成されやすく、過学習に陥りがちである。本研究では、Hubbleを提案する。これは、閉ループのファクターマイニング枠組みであり、Large Language Models（LLM）を知的な探索ヒューリスティクスとして活用する。さらに、ドメイン固有のオペレーター言語と、Abstract Syntax Tree（AST）に基づく実行サンドボックスによって制約を課す。提案枠組みは、交差セクションのRank Information Coefficient（RankIC）、年率化されたInformation Ratio、そしてポートフォリオ回転率を含む厳密な統計的パイプラインによって、候補となるファクターを評価する。進化的なフィードバック機構は、上位の性能を示したファクターと、構造化されたエラーダイアグノスティクスをLLMに返すことで、複数の世代ラウンドにわたる反復的な改良を可能にする。752営業日からなる、米国株30銘柄のパネルを用いた実験では、3ラウンドにわたって122のユニークな候補から181の構文的に妥当なファクターを評価し、計算の安定性は100%を達成しつつ、最大の複合スコア0.827を得た。これらの結果は、LLM主導の生成と決定論的な安全性制約を組み合わせることで、自動ファクター発見において有効で、解釈可能で、再現可能なアプローチが実現できることを示している。