저자들은 이를 위해 SEADS라는 시스템을 만들고 다섯 기존 방법과 비교하면서 발견된 factor를 단일 Sharpe만으로 평가하지 않고 productivity, performance, novelty를 동시에 측정한다.
편집 전 브리핑 원문 펼치기
구분: 최신 AI/Quant Research · LLM Agent + 자동 팩터 연구
발표일: 2026년 9월 1일
핵심 요약
Stanford의 Kay Giesecke 등이 참여한 이 연구는 LLM agent가 가설 생성 → 코드화 → 데이터 실행 → 통계적 검증 → 기억/반복까지 수행하는 새로운 연구 방식을 *Agentic Empirical Asset Pricing(AEAP)*으로 정의한다. arXiv 원문
논문의 가장 중요한 지적은 기존 agentic quant 연구가 대부분 agent가 발견한 factor나 trade만 backtest한다는 점이다. 하지만 agent도 특정 training window에서 우연히 좋은 아이디어를 찾거나, validation gate가 과적합되거나, 심지어 미묘한 look-ahead leakage를 가질 수 있으므로 “연구 시스템 자체”를 여러 과거 시점에서 다시 실행해야 한다고 주장한다.
저자들은 이를 위해 SEADS라는 시스템을 만들고 다섯 기존 방법과 비교하면서 발견된 factor를 단일 Sharpe만으로 평가하지 않고 productivity, performance, novelty를 동시에 측정한다.
채권 AI에서 왜 중요한가
이건 앞으로 채권 research agent를 만들 때 굉장히 중요하다.
예를 들어 AI에게:
“국고채에서 신규 alpha factor를 매일 30개 찾아라.”
라고 시키고 좋은 Sharpe가 나온 factor만 저장하면 거의 확실히 multiple-testing machine이 된다.
더 올바른 검증은:
Historical date (t)
→ 당시 사용 가능했던 데이터만 제공
→ Agent가 처음부터 hypothesis 생성
→ feature 생성
→ backtest
→ 선택
을 여러 (t)에서 다시 실행하는 것이다.
즉:
Backtest the Strategy
가 아니라
Backtest the Researcher
다.
한국 시장 복제 아이디어
Bond Research Agent Evaluation Harness를 만든다.
예를 들어 2019·2020·2021·2022·2023년 말에 agent를 각각 “처음부터” 실행해서 그 시점까지의 정보만 사용하도록 한다.
그리고 신규 factor에 대해:
- OOS IC
- OOS P&L
- 기존 factor와 correlation
- regime stability
- turnover
- transaction cost
- feature novelty
를 gate로 둔다.
특히 novelty가 중요하다.
AI가:
foreign_flow_5d
foreign_flow_6d
foreign_flow_7d
같은 사실상 동일한 factor를 100개 만들어놓고 “100개 신규 alpha”라고 주장하는 것을 막아야 한다.
실무 적용 우선순위: ★★★★★