AQuA: 자율적 정량 연구를 신뢰하게 만드는 실험 설계

정량금융에서 자동화보다 어려운 문제는 결과를 신뢰할 수 있게 만드는 일이다. 백테스트 성과가 높더라도 미래 정보가 섞였거나 평가 기준이 실험마다 달라졌다면 의미가 없다.

Princeton, Ant Group, Stanford 연구진이 제안한 AQuA는 이 문제를 연구 절차의 설계로 다루는 2부 구성 에이전트 프레임워크다. LLM의 가중치를 다시 학습하는 대신, 검증된 실험 결과를 기억하고 활용해 후속 연구 결정을 개선한다.¹ AQuA를 소개한 글은 2026년 9월 1일 MarkTechPost에 게시됐다.

분리된 두 연구 시스템

AQuA는 팩터 발굴과 모델 개발을 하나의 에이전트에 맡기지 않는다. 두 시스템은 에이전트, 메모리, 후보 공간, 출력, 실험 상태를 공유하지 않은 채 독립적으로 반복된다.¹

• 팩터 발굴 시스템: 5분 단위 암호화폐 데이터에서 기호식 팩터를 탐색한다.

• 모델 개발 시스템: 30분 단위 미국 주식 수익률을 예측하는 모델을 개발한다.¹

두 시스템을 분리하면 서로 다른 연구 문제의 결과와 상태가 섞이는 것을 막으면서 동일한 자율 연구 원리를 적용할 수 있다.

자기개선은 연구 판단의 누적이다

각 연구 루프는 다음 단계로 진행된다.¹

1. 가설 수립

2. 후보 생성 또는 학습

3. 평가

4. 검증

5. 선택 및 결합

6. 연구 상태 갱신

갱신된 연구 상태는 다음 반복의 판단 근거가 된다. 즉, AQuA에서 자기개선이란 LLM 자체의 가중치가 변하는 것이 아니라, 검증된 성공과 실패를 바탕으로 이후의 가설과 후보 선택이 나아지는 과정이다.

자율성보다 먼저 고정하는 실험 조건

AQuA의 핵심 설계 원칙은 에이전트의 자율 반복을 시작하기 전에 실험 환경을 고정하는 것이다. 데이터 파이프라인, 특성, 레이블, 데이터 분할, 평가기는 반복 과정에서 바뀌지 않는다.¹

이러한 고정 조건은 에이전트가 평가 방식 자체를 유리하게 바꾸거나 미래 정보가 포함된 결과를 성과로 축적할 위험을 줄인다. 자율 연구의 범위를 넓히기 전에 무엇을 변경할 수 없는지 명확히 정하는 셈이다.

실제 적용에서 확인할 기준

AQuA는 범용 자율 연구 지능이라기보다 고정된 실험 계약 안에서 개선되는 연구 자동화에 가깝다. 비슷한 시스템을 설계하거나 평가할 때는 다음 질문이 중요하다.

• 데이터 처리와 분할 규칙이 반복 전에 고정돼 있는가?

• 후보 생성과 평가는 명확히 분리돼 있는가?

• 검증을 통과한 결과만 다음 연구 상태에 반영되는가?

• 서로 다른 연구 과제의 메모리와 실험 상태가 분리돼 있는가?

• 자기개선이 무엇을 변경하는지 명확히 정의돼 있는가?

핵심 요약: AQuA의 가치는 더 자유로운 에이전트가 아니라, 검증된 실험 기억과 고정된 평가 환경을 결합한 데 있다. 자율 연구의 신뢰성은 생성 능력보다 변경할 수 없는 실험 경계를 설계하는 데서 시작된다.

참고

¹AQuA: Recursively Self-Improving Quantitative Trading Research Agents