Reliability and Identifiability in Persona-Trained Monte Carlo: Variance Decomposition, Stability Bounds, and the Identifiability of Heterogeneous News Reaction
PTMC(Persona-Trained Monte Carlo) 추정량의 신뢰성을 위한 통계 이론을 전개하여, 추정량 분산을 페르소나 추출 성분과 실행 내 성분으로 분해하고, 고정 계산 예산의 최적 배분을 도출한다. 이질적 뉴스 반응에 대한 식별 이론을 통해 집계 충격 곡선이 Jensen 격차로 이질성을 탐지함을 증명하고, 동질 모집단 시뮬레이터 및 축약형 예측기 대비 PTMC의 우월성을 분리 정리로 형식화한다.
페르소나 학습 몬테카를로(PTMC)는 학습된 트레이더 이질성 분포에서 샘플링된 페르소나 파라미터로 조건화된 신경 정책 봇 군집이 지정가 주문장(limit order book) 내에서 상호작용하는 시뮬레이션을 반복함으로써 시장 결과 통계량의 분포를 추정하는 프레임워크다. 고전적 몬테카를로·수작업 에이전트 기반 모델·단일 에이전트 강화학습·LLM 기반 생성 에이전트와의 차별점을 형식화하고, 추정기의 수렴 속성 및 4단계 검증 방법론을 제안하지만, 구현과 실증 결과는 포함하지 않는 이론적 제안 논문이다.
어떤 단일 시장 전략도 항상 이기는 것은 아니다. 모멘텀, 평균 회귀(mean reversion), 리스크 통제, 이벤트 기반 규칙은 각각 시장 조건이 변함에 따라 성공하거나 실패할 수 있다. 대규모 언어 모델(LLM)에 시장 행동을 직접 생성하도록 요청하는 대신, 우리는 에이전트가 프로그램적 전략 라이브러리 중에서 선택하는 실행 가능한 의사결정 패러다임을 연구한다. 각 전략은 시장 관측을 행동으로 매핑하는 코드 모듈로 구현된다. 우리는 적응형 프로그램적 전략 선택을 위한 시뮬레이션 기반 프레임워크인 MetaPS를 제안한다. MetaPS는 후보 전략을 시뮬레이션 또는 백테스트된 시장에서 롤아웃하고, 특정 전략이 더 나은 미래 결과로 이어지는 상태를 식별하며, 이러한 상태-전략 쌍을 지도 미세조정 데이터로 변환한다. 추론 시에는 시뮬레이터를 더 이상 조회하지 않는다. MetaPS는 현재 시장 상태와 후보 전략 컨텍스트만을 관측하고, 적합한 전략 프로그램을 선택하며, 선택된 프로그램이 최종 행동을 생성한다. 다중 주식 거래와 통제된 상품 교환 샌드박스에서의 실험은 MetaPS가 0.8B에서 9B 파라미터에 이르는 모델 규모 전반에서 일관되게 개선됨을 보여준다. MetaPS는 고정 전략 베이스라인, 직접 의사결정 에이전트, 프롬프트 기반 API LLM 에이전트를 능가하며, 여러 설정에서 소형 미세조정 모델이 더 강력한 API 모델보다 나은 성능을 내기도 한다. 이러한 결과는 시장 시뮬레이션이 적응적이고 해석 가능하며 실행 가능한 전략 선택을 학습하기 위한 확장 가능하고 표적화된 감독을 제공할 수 있음을 보여준다.