論文の概要: QuantEvolve: Automating Quantitative Strategy Discovery through Multi-Agent Evolutionary Framework

• arxiv url: http://arxiv.org/abs/2510.18569v1
• Date: Tue, 21 Oct 2025 12:22:16 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-25 03:08:13.468228
• Title: QuantEvolve: Automating Quantitative Strategy Discovery through Multi-Agent Evolutionary Framework
• Title（参考訳）: QuantEvolve: マルチエージェント進化フレームワークによる定量的戦略発見の自動化
• Authors: Junhyeog Yun, Hyoun Jun Lee, Insu Jeon,
• Abstract要約: QuantEvolveは、品質最適化と仮説駆動型戦略生成を組み合わせた進化的フレームワークである。 市場体制の変化と個々の投資ニーズに適応する多様で洗練された戦略を生み出します。
• 参考スコア（独自算出の注目度）: 5.824247126563122
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Automating quantitative trading strategy development in dynamic markets is challenging, especially with increasing demand for personalized investment solutions. Existing methods often fail to explore the vast strategy space while preserving the diversity essential for robust performance across changing market conditions. We present QuantEvolve, an evolutionary framework that combines quality-diversity optimization with hypothesis-driven strategy generation. QuantEvolve employs a feature map aligned with investor preferences, such as strategy type, risk profile, turnover, and return characteristics, to maintain a diverse set of effective strategies. It also integrates a hypothesis-driven multi-agent system to systematically explore the strategy space through iterative generation and evaluation. This approach produces diverse, sophisticated strategies that adapt to both market regime shifts and individual investment needs. Empirical results show that QuantEvolve outperforms conventional baselines, validating its effectiveness. We release a dataset of evolved strategies to support future research.
• Abstract（参考訳）: ダイナミックマーケットにおける量的トレーディング戦略の展開の自動化は、特にパーソナライズされた投資ソリューションに対する需要の増大において困難である。 既存の手法は、市場環境の変化に対して堅牢なパフォーマンスに不可欠な多様性を維持しながら、広大な戦略空間を探索するのに失敗することが多い。 本稿では,品質多様性最適化と仮説駆動型戦略生成を組み合わせた進化的フレームワークQuantEvolveを提案する。 QuantEvolveは、さまざまな効果的な戦略を維持するために、戦略タイプ、リスクプロファイル、ターンオーバー、リターン特性といった投資家の好みに沿った機能マップを採用している。 また、仮説駆動型マルチエージェントシステムを統合して、反復生成と評価を通じて戦略空間を体系的に探索する。 このアプローチは、市場体制の変化と個々の投資ニーズの両方に適応する多様で洗練された戦略を生み出します。 実験の結果、QuantEvolveは従来のベースラインよりも優れており、その効果が検証されている。 今後の研究を支援するために,進化した戦略のデータセットをリリースする。

関連論文リスト

• Building crypto portfolios with agentic AI [46.348283638884425]
  暗号通貨市場の急速な成長は投資家に新たな機会を与えたが、同時に高いボラティリティがもたらされた。 本稿では,暗号アロケーションを自律的に構築し,評価するためのマルチエージェントシステムの実用化について述べる。
  論文  参考訳（メタデータ） (2025-07-11T18:03:51Z)
• EPO: Explicit Policy Optimization for Strategic Reasoning in LLMs via Reinforcement Learning [69.55982246413046]
  戦略的推論のための明示的なポリシー最適化(EPO)を提案する。 我々は,マルチターン強化学習(RL)による戦略的推論モデルを訓練し,プロセス報酬と反復的な自己プレイを活用する。 本研究は, EPOに出現する様々な協調的推論機構と, 新規戦略の創出における有効性を明らかにするものである。
  論文  参考訳（メタデータ） (2025-02-18T03:15:55Z)
• Ensembling Portfolio Strategies for Long-Term Investments: A Distribution-Free Preference Framework for Decision-Making and Algorithms [0.0]
  本稿では、長期的富という観点から個別の戦略を上回るために、逐次的ポートフォリオのための複数の戦略をまとめることの問題点について考察する。 我々は,市場条件にかかわらず,戦略を組み合わせるための新たな意思決定枠組みを導入する。 シャープ比の小さなトレードオフがあるにもかかわらず、提案した戦略を支持する結果を示す。
  論文  参考訳（メタデータ） (2024-06-05T23:08:57Z)
• Discovering Evolution Strategies via Meta-Black-Box Optimization [23.956974467496345]
  メタラーニングによる進化戦略の効果的な更新ルールの発見を提案する。 本手法では,自己注意型アーキテクチャによってパラメータ化された探索戦略を用いる。 進化戦略をスクラッチから自己参照的に訓練することは可能であり、学習された更新ルールは外部メタラーニングループを駆動するために使用される。
  論文  参考訳（メタデータ） (2022-11-21T08:48:46Z)
• Adaptive strategy in differential evolution via explicit exploitation and exploration controls [0.0]
  本稿では,明示的適応スキーム (Ea scheme) という新しい戦略適応手法を提案する。 Eaスキームは複数の戦略を分離し、それらをオンデマンドで採用する。 ベンチマーク関数に関する実験的研究は、Eaスキームの有効性を示す。
  論文  参考訳（メタデータ） (2020-02-03T09:12:32Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。