FactorEngine: 定量投資のためのプログラムレベルの知識を組み込んだファクタ発掘フレームワーク

Abstract

アルファファクターのマイニング、ノイズの多い非定常市場データから予測信号を自動的に発見することを研究します。発見されたファクターが直接実行可能で監査可能であるという実用的な要件と、発見プロセスが大規模なデータでも計算的に扱えること、という条件の下で進めます。既存のシンボリック手法は表現力の制約によって制限され、ニューラル予測モデルはしばし解釈性を性能と引き換えにし、レジームシフトや過学習に対して依然として脆弱です。我々は FactorEngine (FE) を導入します。FE はファクターをチューリング完全なコードとして扱うプログラムレベルのファクター発見フレームワークで、以下の3つの分離によって有効性と効率を向上させます: (i) 論理の改訂とパラメータ最適化の分離、(ii) LLM 指向の方向探索とベイズハイパーパラメータ探索の分離、(iii) LLM の使用と局所計算の分離。FE はさらに、知識を組み込んだブートストラッピングモジュールを組み込み、非構造化の財務報告を実行可能なファクタープログラムへと変換するクローズドループ型のマルチエージェント抽出・検証・コード生成パイプラインを提供し、軌跡認識に対応した洗練化を支援する経験知識ベースも備えています（失敗からの学習を含む）。実世界の OHLCV データを用いた広範なバックテストを通じて、FE は基準法よりも予測安定性とポートフォリオへの影響が著しく強いファクターを生み出します。例えば、IC/ICIR（および Rank IC/ICIR）の向上と AR/Sharpe の改善を実現し、最先端の予測性能とポートフォリオパフォーマンスを達成します。