AlphaSchema는 LLM 기반 알파 마이닝에서 팩터 구축과 탐색 결정을 모두 에이전트에 맡겨 탐색이 암묵적이고 통제하기 어려워지는 문제를 해결하기 위해, 이벤트·맥락·속성·방향·출력으로 구성된 스키마 플랜으로 거래 의미론의 구조화된 공간을 구축하고 탐색한다. 탐색과 구현을 분리해 LLM이 선택된 스키마 플랜을 실행 가능한 팩터로 번역하는 동안 평가된 보상을 누적해 의미 공간에 대한 대체 모델을 학습하며, 반복적 선택 메커니즘이 이 모델을 활용해 전역 탐색·대체모델 기반 활용·국소 변이의 균형을 맞춘다. 중국 주식시장 실험에서 AlphaSchema는 예측력과 포트폴리오 성능이 뛰어난 팩터 풀을 발견했으며, 탐색 과정이 다양한 영역을 탐색하면서도 점차 고보상 영역에 평가를 집중시키고 서로 다른 LLM이 동일 스키마 플랜을 구현해도 예측 품질이 유사함을 보여 프레임워크 내에서 알파 마이닝 품질이 LLM 선택에 크게 좌우되지 않음을 시사했다.

• •이벤트·맥락·속성·방향·출력으로 구성된 스키마 플랜으로 거래 의미론 공간 구조화
• •탐색과 구현 분리, 평가 보상을 누적해 의미 공간 대체모델 학습
• •중국 주식시장 실험에서 예측력·포트폴리오 성능 우수한 팩터 풀 발견
• •다른 LLM이 동일 스키마 플랜을 구현해도 예측 품질 유사, 알파 마이닝 품질이 LLM 선택에 덜 의존함을 시사