현재의 포트폴리오 구성 방법론들은 개별 충격(idiosyncratic shock)의 영향을 고려하지 못하거나(표준 팩터 모델), 체계적 수익률을 유도하는 잠재 데이터 구조를 반영하지 못한다(최근의 그래프 기반 접근법). 이는 팩터 도메인과 그래프 도메인이 포착하는 상호보완적인 시장 측면을 결합하여, 관측된 동조화(co-movement)나 유한 표본 오차(finite-sample artefacts)가 아닌 기저의 시장 구조에서 자산 배분이 직접 작동하도록 할 기회를 제공한다. 본 연구에서는 관측된 동조화 대신 체계적 팩터 익스포저 프로파일을 통해 그래프 국소성을 재정의함으로써 팩터 도메인과 그래프 도메인을 상호 정규화하는 MINGLE(Mutually-INformed Graph-Locality and Exposures) 프레임워크를 소개한다. 이는 시장 수익률로부터 잠재 팩터 표현과 그로부터 유도된 그래프 토폴로지를 공동 학습하는 통합 교차 방향 승수법(ADMM, Alternating Direction Method of Multipliers) 프레임워크를 통해 정형화된다. 그 결과 도출된 익스포저 유사도 그래프는 기존 상관관계 기반 그래프보다 기존 경제 섹터와 더 밀접하게 부합한다. 이러한 표현으로 구축된 포트폴리오는 다양한 변동성 국면과 거래 비용 수준 전반에서 상관관계 기반 대조군을 일관되게 능가하는 것으로 나타난다. 엄밀한 검증을 위해 수행된 대응 표본 통계 검정(paired statistical testing)은 이러한 성과 개선이 그래프 도메인과 팩터 도메인의 융합에서 비롯되었음을 확인해 준다.
중첩 군집 최적화(NCO)는 마코위츠 공분산 행렬의 악조건성이 자산 배분에 미치는 영향을 줄인다. 그러나 고전적 트리 군집화는 정적인 쌍별 피어슨 상관계수에 의존하므로, 여러 자산 시장 사이에서 시간에 따라 비대칭적으로 전이하는 하방 위험을 포착하지 못한다. 본 연구는 다자산 전술적 배분을 위해 동적 시공간 그래프 어텐션 신경망과 중첩 군집 최적화를 결합한 심층 그래프 머신러닝 아키텍처 ST-GAT-NCO를 제안한다. 인과적 팽창 1차원 합성곱으로 시간에 따른 모멘텀과 하방 위험의 변화를 추출한다. 이어 동적으로 변하는 시장 연결 구조에 다중 헤드 그래프 어텐션 신경망(GAT)을 적용해 노드의 잠재 공간 표현을 학습한다. 학습한 임베딩으로 각도에 기반한 거리 공간을 구성하고, 기관 투자 제약과 회전율 완화 조건 아래에서 2단계 하방 NCO를 수행한다. 2020년 1월부터 2026년 1월까지 73개월 동안, 미래 정보를 쓰지 않는 워크포워드 표본 외 평가를 글로벌 자산군 13개에서 진행했다. 거래 비용 10bp를 차감한 ST-GAT-NCO는 연평균 복합 성장률(CAGR) 5.32%, 누적 순수익률 37.06%, 초과 샤프 비율 0.30, 소르티노 비율 0.48을 달성했다. 고전적 최소 분산(CAGR 3.68%, 샤프 비율 0.08), 계층적 위험 균형(CAGR 2.65%), 기본 대칭 NCO(CAGR 4.11%, 샤프 비율 0.15)보다 성능이 높았다. 월 단방향 회전율을 15.31%로 통제하면서 최대 낙폭은 -13.07%로 제한했다. 동일 비중 배분은 -19.44%, 하방 NCO는 -16.36%였다. 국면별 분석에서 2020년 코로나19 급락, 2022년 통화 긴축, 2023~2026년 물가상승률 둔화기의 상승장 전반에 걸쳐 자본을 적극적으로 보전한 것으로 나타났다.
금융 시계열 예측은 트레이딩, 포트폴리오 최적화, 위험 관리에 필수적이지만, 잡음이 많고 비정상적이며 이질적인 데이터로 인해 어려움이 크다. 대규모 언어 모델에서 영감을 받은 시계열 파운데이션 모델(TSFM)은 전이 가능한 시간적 표현을 학습하는 것을 목표로 한다. 방대하고 다양한 데이터셋에 대한 사전학습이 금융에서도 유사한 일반화를 가능하게 하는지는 아직 열린 질문이다. 본 연구는 대규모 일별 초과수익률 데이터를 사용하여 글로벌 금융시장에서 TSFM을 종합적으로 실증 평가한다. 강력한 벤치마크와 비교하여 제로샷 추론, 미세조정, 처음부터의 사전학습을 평가한다. 기성 TSFM은 대체로 성능이 낮은 반면, 금융 특화 사전학습은 긴 윈도우에서의 총 포트폴리오 성과를 개선한다. 더 큰 사전학습 데이터셋과 합성 증강은 특히 더 긴 입력 윈도우에서 일부 설정의 성능을 향상시킨다. 구성 변경은 예측 지표와 포트폴리오 지표에 걸쳐 엇갈린 효과를 보이며, TSFM이 강력한 벤치마크를 일관되게 능가하지는 않는다. 이러한 결과는 검증이 불충분할 경우 신뢰할 수 없는 예측과 막대한 금전적 손실로 이어질 수 있는 금융 분야에서 AI를 무비판적으로 도입하는 것에 대해 경고한다.
본 연구는 주가가 관측 가능한 요인에 의해 구동되는 확산 과정이고 그 요인 또한 확산 과정이나 이들 과정의 계수는 알려지지 않은 시장에서의 연속시간 평균-분산 포트폴리오 선택을 다룬다. 최근 개발된 확산 과정에 대한 강화학습(RL) 이론에 기반하여, 시장 계수를 학습하거나 추정하려는 시도 없이 사전 약속된 투자 전략을 직접 학습하는 일반적인 데이터 기반 RL 접근법을 제시한다. 요인이 없는 다중 종목 Black–Scholes 시장에 대해서는 알고리즘을 추가로 고안하고, 샤프 비율 측면에서 준선형 후회 상界를 도출하여 그 성능 보장을 증명한다. 이어서 이 알고리즘을 구현한 광범위한 실증 연구를 수행하여, S&P 500 구성 종목에서 널리 쓰이는 다수의 포트폴리오 배분 전략과 성능 및 거래 특성을 여러 일반적 지표로 비교한다. 결과는 제안한 연속시간 RL 전략이 특히 변동성이 큰 약세장에서 일관되게 최상위권에 속하며, 모형 기반 연속시간 대응 전략을 상당한 차이로 확실히 능가함을 보여준다.
강화학습 포트폴리오 정책은 가격, 공분산, 기존 보유 포지션으로부터 자산 배분을 최적화할 수 있지만, 제안된 배분이 실행 전에 제한된 위험 범위를 준수함을 인증하는 보정되고 재현 가능한 메커니즘은 갖추지 못하고 있다. 규제 당국은 자동화된 포트폴리오 시스템이 바로 이러한 거래 전 감사 추적, 해석 가능한 위험 한도, 인간 감독 메커니즘을 제공하기를 점점 더 기대한다. 게이트형 컨포멀 의미적 위험 통제(Gated Conformal Semantic Risk Control)는 수익 추구형 배분과 텍스트 조건부 하방 위험 검증을 분리하여 이 간극을 해결한다. 지시 튜닝된 언어 모델이 시점이 기록된 공시를 거시, 유동성, 실적, 섹터 채널에 대한 스키마 검증된 의미적 위험 상태로 매핑한다. 이러한 상태는 상관관계를 갖는 타원체형 요인 충격 불확실성 집합을 유도하며, 그 컨포멀 반경은 국소화된 의미적 비순응도 구간에 대한 롤링 유한 표본 예측으로 보정된다. 이후 비대칭 2차 원뿔 게이트가 각 원시 PPO 제안을 인증된 최악 시나리오 의미적 손실 예산에 대해 검사한다. 게이트는 규정을 준수하는 제안에는 비활성 상태를 유지하며 예산을 초과할 때만 개입한다. 유동성이 높은 미국 Select Sector SPDR ETF 아홉 종에 대한 워크포워드 표본 외 검정에서, Raw PPO는 연 12.7%의 수익률을 얻으면서 4.05%의 의미적 위반률이 발생한다. Gated-CSRC는 관찰된 모든 표본 외 의미적 한도 위반을 제거하면서 연 11.7%의 수익률을 유지한다. 이 100bp의 감사 가능한 안전 프리미엄은 무조건적인 강제 투영이 초래하는 수익률 손실보다 작으며, 정확 McNemar 검정은 준수율 향상을 $p < 10^{-15}$로 확인한다. Loughran-McDonald 어휘 사전 통제군과 시간 순서를 섞은 텍스트 통제군은 이 인증서를 재현하지 못한다.
포트폴리오 관리를 위한 다중 에이전트 LLM 의사결정 시스템은 전문 에이전트 간에 기여도를 할당하는 원칙적인 방법이 여전히 부족하고, 국면 전환 시 콜드 스타트 지배에 취약하며, 최종 자산 배분이 어떻게 형성되는지에 대한 투명성이 제한적이다. 본 논문은 포트폴리오 관리를 하위 과제로 하여 전문 에이전트 연합에 대한 온라인 기여도 할당 메커니즘인 시장 국면 위원회(Market Regime Council, MRC)를 제안한다. MRC는 온라인 에이전트 가중을 위해 모든 단일, 쌍별, 그랜드 연합 출력에 대해 정확한 섀플리 기여도를 계산한다. N=3의 전문 에이전트로 구현된 MRC는 각 거래 기간마다 지수 가중 성과 이력으로부터 연합 기반 섀플리 가중치를 재계산하고, 베이지안 적응형 혼합을 사용해 초기 기간을 안정화하며, 국면 의존적 승수를 적용해 에이전트의 권한을 조정하고, 각 리밸런싱을 5계층 인과 추적으로 기록한다. 13개 암호화폐 자산과 5개 시드에 걸친 1,037 거래일 동안 MRC는 샤프 비율 1.51과 누적 수익률 440.1%를 달성하여, 능동적 기준선 중 CR, SR, IR에서 1위를 차지하고 능동적 방법 중 가장 낮은 MDD를 기록한다. 절제 결과는 성능 향상이 어느 한 단계 단독이 아니라 연합 출력에 대한 섀플리 가중 통합에서 비롯됨을 보여준다. 코드와 데모 데이터는 오픈소스로 공개되어 있다.
우리는 관측 가능한 예측변수를 이용하여 경쟁하는 전략들 중에서 동적으로 선택하는 문제를 고려한다. 추정 잡음과 과도한 전환을 완화하기 위해, 우리는 추정된 정책을 전환 비용으로 정칙화하며, 이 비용은 실제 거래 비용이 충분한 정칙화를 제공하기에 너무 작을 때 실제 거래 비용을 초과할 수 있다. 전환 비용으로 인해 현재의 선택이 미래의 결정에 영향을 미치므로, 우리는 동적 계획법을 이용하여 문제를 정식화한다. 최적 정책은 반복 회귀에 기반한 강화학습 알고리즘으로 추정되어 절차를 구현하기 간단하다. 우리는 이 방법을 약 60년의 표본 기간 동안 모멘텀, 가치, 수익성, 방어형 미국 주식 팩터 간의 월간 로테이션에 적용한다. 간결한 상태 변수 집합을 사용했을 때, 추정된 정책은 표본 외 평가에서 근시안적 동적 정책과 사후적으로 최선인 고정 팩터를 모두 능가한다. 약한 조건 하에서, 우리는 경험적 데이터로부터 추정된 의사결정 규칙이 알려지지 않은 최적 의사결정 규칙에 점근적으로 일치함을 이론적으로 보인다. 시뮬레이션 결과는 이러한 점근적 결과의 유한 표본 관련성을 보여 준다.
팩터 모형은 자산 가격 결정과 포트폴리오 구성의 핵심이지만, 신경망 기반 팩터는 해석하기 어려운 경우가 많고 포트폴리오 위험에 미치는 영향도 명확하지 않다. 희소 오토인코더(SAE)는 소수의 활성 특징만으로 다수 자산의 일별 수익률을 기술함으로써 이 두 문제를 모두 해결할 수 있다. 본 연구는 이러한 희소 표현이 안정적인 금융 팩터와 더 잘 분산된 포트폴리오를 만들어내는지 묻는다. 암호화폐 수익률을 연구 대상으로 하고 주식을 보조 시험으로 사용하며, 시간 순서를 지킨 평가에서 SAE를 일반적인 벤치마크와 비교한다. 그 결과 SAE 포트폴리오에서 일관되게 낮은 변동성을 확인했으며, 이를 선택된 자산 간의 낮은 상관관계와 연결하였다. 그러나 SAE는 위험 조정 수익률 측면에서 단순한 역추세 전략을 능가하지 못하며, 팩터의 정체성도 학습 실행마다 안정적이지 않다. 본 연구의 기여는 희소 코딩이 포트폴리오 분산 투자를 뒷받침할 수 있음을 보이는 동시에, 이러한 위험 효과를 알파나 안정적인 팩터 정체성에 관한 주장과 명확히 구분하는 데 있다.
Modern portfolio management increasingly demands a balance between traditional risk-adjusted returns and strict Environmental, Social, and Governance (ESG) mandates. Current Reinforcement Learning (RL) approaches typically optimize for a single ESG provider, neglecting the significant divergence in rating methodologies across the industry and the unintuitive nature of manually weighting conflicting objectives. This paper addresses these limitations by formulating ESG-aware portfolio optimization as a Multi-Objective Reinforcement Learning (MORL) problem that simultaneously incorporates ratings from three distinct ESG agencies. To bridge the gap between high-dimensional algorithmic trade-offs and human decision-making, we integrate a Preference Elicitation framework using Gaussian Processes. This system enables practitioners to align the RL policy behavior with their preferences through intuitive pairwise comparisons of candidate portfolios based on their Sharpe ratios and aggregate ESG scores. We systematically evaluate our framework by employing prompt-conditioned LLMs as synthetic preference oracles under varied regional conditions and assess how the methodology adapts to heterogeneous investment behaviors and sustainability preferences. The experiments demonstrate feasibility in a controlled synthetic setting and characterize sensitivity to oracle and prompt design.
옵션 시장의 성장과 AI의 발전에 따라 옵션 트레이딩을 위한 에이전틱(agentic) 시스템이 점점 더 많은 주목을 받고 있습니다. 언어 모델 기반 에이전트는 뉴스 등의 문맥 정보를 바탕으로 추론할 수 있지만, 옵션 트레이딩은 특히 까다로운 의사결정 문제를 안고 있습니다. 단일 주식에도 수천 개의 계약이 존재할 수 있으며, 에이전트는 어떤 계약을 거래할지와 이를 어떻게 조합할지를 모두 결정해야 합니다. 기존 접근 방식은 정책을 스트래들(straddle)과 같은 고정된 전략 구조로 제한함으로써 이러한 복잡성을 회피하는 경우가 많아, 시장 상황 변화에 맞춰 전략을 전환하는 능력이 제한됩니다. 본 논문에서는 구조화된 옵션 전략 선택을 위한 에이전틱 트레이딩 프레임워크인 SOTA(Stock Options Trading Agents)를 제시합니다. SOTA는 방대한 옵션 유니버스를 전략 수준의 의사결정으로 추상화하는 한편, 결정론적 리졸버(resolver)가 포트폴리오 실행을 처리합니다. 저자들은 지도 미세조정(SFT)에 이은 강화학습(RL)으로 Qwen3.8-27B를 사후 학습하여 SOTA를 개발했습니다. SOTA는 동일한 트레이딩 환경에서 미국 대형주 9개 종목 및 SPY의 옵션을 대상으로 규칙 기반 및 머신러닝 기반 전략 선택 모델들과 비교 평가되었습니다. 6개월간의 표본 외(out-of-sample) 기간 동안 SOTA는 18.3%의 총수익률, 1.60의 샤프 지수(Sharpe ratio), 8.96%의 최대 낙폭(MDD)을 달성했습니다. 또한 저자들은 뉴스의 비대칭적 역할을 규명했습니다. 뉴스는 프론티어-티처 궤적을 개선하지만, 강화학습 과정에서 뉴스를 유지하면 표본 외 수익률이 18.3%에서 -2.7%로 감소합니다.
현실은 어떤 결과가 발생했는지는 보여줄 수 있지만, 진화하는 절차 중 어느 것이 왜 그 결과를 만들어냈는지는 밝혀내지 못할 수 있습니다. 이러한 구분은 외부 피드백이 누적되는 동안 코드, 설정 및 산출물이 지속적으로 변화하는 프로덕션 머신러닝 시스템에서 중요합니다. 본 연구에서는 인간이 지휘하고 에이전트(agent)가 구축한 퀀트 트레이딩 시스템을 통해 이를 조사하며, 여기서 '오라클(oracle)'은 완전한 정확성 명세가 아닌 실현된 결과의 외부 원천을 의미합니다. 1년 동안 계좌는 수익을 기록하며 광범위한 시장 지수를 상회했으나, 주요 사후 명세 기준 연간 알파는 통계적으로 0과 구별되지 않았습니다. 사후적으로 선택된 하위 기간에는 불리한 상대적 성과 및 선언된 근사 기준 하에서의 조건부 후보군 수준 약세가 포함됩니다. 엔지니어링 기록은 해당 기간 동안의 변경 사항을 문서화하고 있으나, 추천과 런타임 간의 완전한 바인딩은 제공되지 않습니다. 아카이브는 단일한 고정 인스턴스나 고유한 원인을 규명하지 못합니다. 이 사례는 결과-진단 격차(outcome--diagnosis gap)를 야기합니다. 즉, 결과 증거, 평가 대상의 식별성, 인과적 설명은 서로 다른 주장을 뒷받침합니다. 본 논문에서는 고정 인스턴스, 사전 지정된 적응형 절차, 임시 개발을 구별하고, 아카이브 상대적 주장 식별성과 증거 위계를 정리하며, 전향적 프로덕션 바인딩 프로토콜을 제안합니다. 호환 가능한 이력을 보여주는 예시는 사실적 바인딩이 추천의 지시 대상을 해결할 수 있으면서도 반사실적 효과까지 제공하지는 못함을 보여줍니다. 해당 프로토콜은 전향적으로 검증된 것이 아니라 제안된 것입니다. 외부 피드백은 결과에 대한 주장을 제약하는 반면, 출처(provenance)와 추가적인 식별 구조가 진단의 해상도를 결정합니다.
팩터 마이닝(factor mining)은 금융 데이터에서 미래 자산 수익률을 예측하고 포트폴리오 구성을 안내하는 시그널을 발견하는 것을 목표로 합니다. 이제 자동화된 팩터 마이닝은 유전 프로그래밍, 강화학습, 생성 모델, 대규모 언어 모델(LLM) 에이전트까지 아우르고 있습니다. 그러나 이러한 패러다임 전반의 발전이 실제로 더 일반화 가능하고 구별되며 경제적으로 유용한 금융 시그널을 만들어내는지에 대해서는 여전히 불분명합니다. 본 논문에서는 5개 주식 시장에서 9가지 자동화 마이닝 기법을 통해 발굴된 약 5,000개의 팩터를 비교하는 포트폴리오 인식 벤치마크인 FactorBench를 소개합니다. 공유 데이터 및 평가 규약을 통해 기호 표현식(symbolic expression)과 실행 가능한 파이썬(Python) 팩터를 모두 지원하여, 이종의 탐색 알고리즘을 공통 시그널 결합 및 포트폴리오 구성 절차와 연결합니다. FactorBench는 마이닝 시스템의 결과물을 세 가지 수준에서 추적합니다. 첫째, 팩터 유효성, 시간적 일반화, 측정된 위험 및 스타일 익스포저를 넘어선 예측력. 둘째, 벤치마크 Alpha101과의 유사성을 포함한 기법 내 및 기법 간 풀(pool) 차별성. 셋째, 복합 시그널 품질과 비용을 반영한 롱 온리(long-only) 및 롱숏(long-short) 포트폴리오 성과입니다. 팩터 마이닝의 발전이 시그널 품질과 포트폴리오 성과로 이어지는지 체계적으로 평가한 결과, FactorBench는 어떠한 패러다임도 일관되게 우위를 점하지 못한다는 점을 밝혀냈습니다.
개발자가 제어기, 학습된 모델, 검증기(verifier)와 같은 에이전트의 한 구성 요소를 변경할 때, 대개 종합 작업 점수로 그 변경을 평가한다. 그러나 해당 점수로는 개선이 달성 가능했는지, 어떤 구성 요소에서 가치가 손실되었는지, 또는 에이전트 자체의 점검이 무엇을 보증하는지 알 수 없다. 본 연구에서는 계획, 행동, 점검, 개선을 수행하는 모듈형 에이전트를 위한 주장별 검증 감사(claim-specific verification audit)를 도입한다. 이 감사는 에이전트를 점수화하는 대신 증거를 평가한다. 즉, 각 결론은 그 이면의 증거, 4가지 판정(지지됨, 지지되지 않음, 미해결, 평가되지 않음) 중 하나, 그리고 그것이 성립하는 경계와 함께 기록된다. 세 가지 도구가 이러한 증거를 제공한다. 오라클 정책(oracle policies)은 명시적으로 명시된 행동 집합 하에서 달성 가능한 개선을 측정하여, 낮은 가치가 환경이 아닌 평가 때문임을 추적할 수 있도록 한다. 구성 요소를 한 번에 하나씩 완벽한 대응물로 교체하여 손실된 가치를 찾아내며, 다운스트림 구성 요소가 이를 가릴 수 있을 때마다 널(null) 결과는 미해결로 판정된다. 별도의 테스트에서는 검증기의 점수가 그것이 한정하는 것으로 간주되는 수량을 실제로 식별하는지 묻는다. 숨겨진 체제(regimes)가 알려진 합성 시장 내 제약된 포트폴리오 배분 에이전트에 적용한 결과, 본 감사는 완벽한 체제 정보의 가치가 이를 측정하는 데 사용된 행동 집합에 따라 달라진다는 점, 시나리오 생성기가 체제 신호의 대부분을 폐기하는 반면 더 나은 국소적 충실도(local fidelity)가 의사결정을 향상시키지 않는다는 점, 그리고 결과에 눈에 띄는 변화 없이 런타임 검증기를 우회할 수 있음을 보여준다. 본 연구의 기여는 프로토콜과 그것이 강제하는 증거적 구분이며, 실증적 연구 결과는 연구된 에이전트 및 환경에 한정된다.
언어 모델 에이전트는 이제 양적 팩터 연구 전 과정을 수행한다. 투자 팩터를 제안하고, 백테스트하며, 생존자를 선별하고 은퇴시킨다. 우리는 그 일 가운데 에이전트가 어떤 역할을 유지해야 하는지 묻는다. 우리의 답은 통제된 자기 진화(governed self-evolution)이다. 에이전트는 제안할 수 있고, 에이전트가 건드릴 수 없는 고정(frozen) 통계 심판이 판단해야 한다. 심판은 제출 이후에 공개된 시장 결과만을 베팅(betting)으로 각 후보를 채점하므로, 어떤 제안 정책에 대해서든 모든 정지 시점(stopping time)에서 허위 발견(false-discovery) 보장이 성립한다. 우리는 세 가지 제안자(스크립트, 밴딧, 언어 모델)와 이 심판 및 의도적으로 누수가 있는(leaky) 세 가지 심판을 교차한다. 실험은 심재 진실(planted truth)이 있는 합성 세계, 프로브 작성 환경, CSI 500에 대한 10년 워크포워드(walk-forward)에서 수행한다. 누가 판단하는지가 허위 채택(false admissions) 수를 정한다. 고정 심판은 스크립트 제안자 하에서 누수 심판보다 임계값 미만(sub-threshold) 팩터를 5–11배 적게 채택하며, 어떤 제안자도 그 격차를 메우지 못한다. 누가 제안하는지가 수확(yield)을 정한다. 언어 모델은 스크립트를 능가하고 밴딧과 맞먹으며, 밴딧에는 없는 유일한 능력인 자체 진단 프로브 작성을 더한다. 인증(certificate)의 대가는 시간이다. 채택된 진짜 팩터는 약 500 거래일을 기다리며, 따라서 인증 포트폴리오의 Sharpe 비율은 게이트 없는(ungated) 포트폴리오에 뒤진다. 판단은 절차(procedure)에 속하고, 제안과 도구(instrument) 제작은 에이전트에 속한다.
체계적 트레이딩은 과거에 발견된 규칙성이 지속된다는 한 가지 믿음에 기반한다. 본 논문은 세 가지 내용을 다룬다. 첫째, 실무자들이 이미 받아들이고 있는 상식적인 내용들로 구성된 다섯 가지 공리로 이러한 믿음을 정립한다: (A1) 결정은 그것이 내려진 시점에 알려진 정보만을 사용할 수 있다; (A2) 시장이 규칙을 바꾸는 것처럼 보이는 것은 시장의 관측되지 않은 상태가 변하는 것일 뿐이며, 작동 메커니즘은 모든 시대에 동일하다; (A3) 미래는 과거의 구간들을 재현할 수 있으나, 과거 역사와 동일한 비율로 재현되지는 않는다; (A4) 상태는 일정 기간 지속된다; (A5) 존재하는 예측 가능성은 설령 그 상태를 알고 있는 규칙이라 할지라도 미미하다. 이들을 공리로 전환하는 것은 정량화이며, 해당 수치들은 추정되기보다는 선언된다: 불변성 결함 $\varepsilon_0$, 블록 스케일 $b$에서의 재귀 한계 $\Lambda$(두 부분으로 구성된 단일 선언), 코히어런스 시간 $\ell_i$, 신호 상한 $\rho$, 불변성 비율 $\kappa$이다. 이 다섯 가지 선언이 전제의 경험적 내용 전부를 이룬다. 둘째, 이 공리들이 퀀트 투자 시스템을 위한 5단계 표준 형식(canonical form)—선언된 표현, 용량 상한 내의 예측기, $\mathrm{CVaR}_{1/\Lambda}$로 집계되는 인접 퍼지 블록(purged block) 평가, 예산이 책정되고 디플레이트(deflate)된 탐색, 예산이 제한하는 추정치의 일부 비율로 설정되는 강건한 사이징—을 필연적으로 도출함을 증명한다. 각 단계는 필수적이며, 이를 생략하는 절차는 공리가 허용하는 법칙 하에서 엄밀하게 더 열등한 결과를 낳는다. 셋째, 공리들이 반증 가능한 영역에서, 각각 선언된 상수 조건하에 실제 시장 시계열을 바탕으로 검증하며, 그 결과 현재까지 반증된 공리는 없다.
에이전트형 AI는 투자자의 역할을 분석적 실행에서 감독으로 전환한다. 본 연구는 44개의 전문화된 에이전트가 자본 시장 가정을 생성하고, 21가지 경쟁적 방법으로 포트폴리오를 구성하며, 서로의 출력을 비판하고 투표하는 에이전트형 전략적 자산 배분 파이프라인을 제시한다. 연구자 에이전트는 아직 반영되지 않은 새로운 포트폴리오 구성 방법을 제안하고, 메타 에이전트는 과거 예측을 실현 수익과 대조하여 향후 성과를 개선하기 위해 에이전트 코드와 프롬프트를 수정한다. 전체 파이프라인은 투자 정책 성명(Investment Policy Statement, IPS)에 의해 거버넌스되며, 인간 포트폴리오 매니저를 안내하던 동일한 문서가 이제 자율 에이전트를 제약하고 방향을 제시할 수 있다.
인공지능(AI)은 이제 데이터와 예측부터 연구, 포트폴리오, 집행, 도구 사용에 이르기까지 투자 워크플로를 지원한다. 그러나 기술적 역량이 곧 투자 수익성의 근거는 아니다. 본 비판적 최신 동향 리뷰는 2026년 8월 31일까지 이용 가능한 공개 연구를 상장 주식, 상장지수펀드(ETF), 중앙화 암호화폐 현물, 영구 선물, 온체인 시장을 대상으로 검토한다. 우리는 알파 변환 체인(alpha-translation chain)으로 근거를 정리한다. 시점(point-in-time) 정보는 안정적인 시그널, 실행 가능한 포지션, 체결 가능한 주문, 비용 차감 후 위험 조정 수익을 산출해야 한다. 머신러닝, 시계열 파운데이션 모델, 금융 언어 모델, 강화학습, 에이전트 전반에서 검토된 기록은 예측, 텍스트 처리, 포트폴리오 설계, 워크플로 통합에서 실질적이지만 주로 상류(upstream) 수준의 진전을 보여준다. 지속 가능한 순성과에 대한 근거는 더 빈약하다. 시간적 오염(temporal contamination), 반복 선택, 생존 편향(survivorship), 약한 벤치마크, 구현 비용, 거래소 메커니즘, 용량(capacity)은 순 알파(net alpha)로의 변환을 깨뜨릴 수 있다. 강력한 과거 실적은 예측 변수 decay, 수정된 look-ahead 실패, 엇갈리는 전향적 근거, 감사받은 실자본(live-capital) 기록의 부족과 공존한다. 암호화폐는 정보가 풍부한 상태를 더하지만, 현물, 영구(perpetual), 탈중앙화 현금 흐름과 집행에 대한 별도 처리가 필요하다. 여기서 검토한 공개 근거 내에서는 어떤 일반적인 AI 아키텍처도 지속적이고 레짐 간(cross-regime), 용량을 고려한(capacity-aware) 순 알파를 제공하는 것으로 입증되지 않았다. 더 신뢰할 만한 주장은 시점 데이터와 모델, 의사결정에 정렬된(decision-aligned) 목표, 포트폴리오–집행 공동 평가, 통제된 적응(controlled adaptation), 전향적 검증, 권한에 부합하는(authority-matched) 거버넌스를 요구한다. 이러한 조건은 근거와 구현을 개선할 수 있으나 수익을 보장하지는 않는다.
우리는 무한 연속 상태 공간, 유계 연속 행동, 다항식적으로 증가하는 보상을 갖는 제어된 확산 과정에 대한 강화학습을 연구한다. 이러한 설정은 금융, 경제학, 운영연구에서 자연스럽게 등장한다. 연속적·고차원 영역의 난제를 극복하기 위해, 상태-행동 공간을 적응적으로 분할하는 모델 기반 알고리즘을 제안한다. 알고리즘은 각 분할 안에서 표류(drift), 변동성(volatility), 보상에 대한 추정량을 유지하며, 추정 바이어스가 통계적 신뢰 구간을 넘을 때마다 이산화를 정교화한다. 이 적응적 방식은 탐험과 근사를 균형 있게 하여 무한 영역에서 효율적인 학습을 가능하게 한다. 우리 분석은 문제 수평(horizon), 상태 차원, 보상 증가 차수, 그리고 무한 확산 과정에 맞춘 새로 정의한 줌링 차원(zooming dimension) 개념에 의존하는 regret 상한을 제시한다. 이 상한은 유계 설정에서의 기존 결과를 특수 경우로 되찾으며, 더 넓은 클래스의 확산형 문제로 이론적 보장을 확장한다. 마지막으로 다자산 평균-분산(mean-variance) 포트폴리오 선택과 같은 고차원 문제 적용을 포함한 수치 실험으로 접근법의 효과를 검증한다.
대규모 언어 모델(LLM)은 응답을 개인화하기 위해 메모리, 프로필, 역할 프롬프트와 같은 사용자 컨텍스트를 점점 더 많이 활용한다. 이러한 개인화는 근거 기반 판단에 영향을 미칠 수 있다. 즉, 동일한 근거라도 사용자 컨텍스트가 다르면 서로 다른 결론으로 이어질 수 있다. 금융은 의사결정이 길고 복잡한 문서의 해석에 좌우되는 경우가 많아, 이 문제를 연구하기에 위험도가 높은 환경이다. 우리는 12개의 LLM에 걸쳐 3,575건의 SEC 공시 문서를 사용해 이를 검증한다. 근거 선택의 효과와 해석의 효과를 분리하기 위해, 페르소나 조건 검색, 중립 검색, 메모리 프레임 컨텍스트를 비교한다. 그 결과, 사용자 컨텍스트 스필오버(spillover)의 대부분은 서로 다른 근거를 검색하기 때문이 아니라, 모델이 동일한 근거를 역할에 따라 다르게 해석하기 때문에 발생함을 확인했다. 이어서 두 가지 간단한 완화 전략을 검증한다. 하나는 동일한 투자자 성향을 어시스턴트 역할이 아닌 사용자 프로필로 표현하는 것이고, 다른 하나는 근거 기반 출력과 개인화된 출력을 분리하는 것이다. 두 전략 모두 스필오버를 줄이지만 완전히 제거하지는 못하며, 그 효과는 모델에 따라 크게 달라진다.
투자 관리는 고위험 도메인으로, 에이전틱 AI 시스템은 그럴듯한 텍스트를 생성하는 것 이상을 수행해야 한다. 특정 시점(point-in-time) 데이터를 조회하고, 올바른 계산 입력을 구성하며, 전문화된 방법을 호출하고, 감사 가능한 구조화된 출력을 생성해야 한다. 본 논문은 언어 모델 에이전트가 투자 관리 과제를 해결하기 위해 금융 도메인 스킬을 효과적으로 사용할 수 있는지 측정하도록 설계된 평가 스위트인 FinSkillBench를 소개한다. 이 벤치마크는 포트폴리오 구성, 리스크 관리, 펀더멘털 분석의 세 도메인에 걸치며, 2,603개의 과제 에피소드를 포함하는 12개 하위 과제로 구성된다. 각 에피소드는 특정 시점 입력, 숨겨진 그라운드 트루스(ground truth), 과제별 검증기(verifier)를 제공한다. 세 가지 조건을 비교한다: 스킬 없음, 절차 문서와 실행 가능한 컴포넌트로 이루어진 큐레이션 스킬 패키지, 에이전트가 에피소드 내에서 자신의 절차를 작성하고 재사용하는 자가 생성 스킬. 9개 모델에 대한 대규모 평가에서 큐레이션 스킬은 성능을 일관되게 향상시켜 평균 점수를 0.366에서 0.528로 올렸으며, 포트폴리오 구성과 리스크 관리에서 가장 큰 이득이 나타났다. 반면 자가 생성 스킬은 계산 비용이 더 높음에도 거의 이득을 주지 않았다. 별도의 에이전트 프레임워크(Hermes Agent, 8개 모델, 총 5,280 에피소드)를 사용한 독립 평가는 세 도메인 모두에서 동일한 방향의 패턴을 재현했으며, 스킬 효과의 크기는 하위 과제와 harness에 따라 달랐다. 이 결과는 투자 관리 에이전트에서 신뢰할 수 있는 절차적 스킬에 대한 접근이 모델 선택만큼 중요할 수 있음을 보여 주며, 순진한 스킬 자가 생성은 종종 비효과적임을 시사한다. 후속 연구를 위해 벤치마크, 평가 도구, 큐레이션 스킬 패키지, 전체 궤적(trajectory)을 공개한다.