Fugu-MT 論文翻訳(概要): QuantEvolve: Automating Quantitative Strategy Discovery through Multi-Agent Evolutionary Framework

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

EvoX: Meta-Evolution for Automated Discovery [115.89434419482797]
EvoXは、独自の進化過程を最適化する適応進化法である。進捗に応じて、事前のソリューションが選択され、どのように変化するかを継続的に更新する。 AlphaEvolve, OpenEvolve, GEPA, ShinkaEvolveなどの既存のAI駆動の進化的手法を、タスクの大部分で上回っている。
論文参考訳（メタデータ） (2026-02-26T18:54:41Z)
Strategy Executability in Mathematical Reasoning: Leveraging Human-Model Differences for Effective Guidance [86.46794021499511]
戦略利用と戦略実行可能性の間には、これまで未定のギャップがある。 SSR(Selective Strategy Retrieval)は,実行可能性を明確にモデル化するテストタイムフレームワークである。 SSRは、直接解決、文脈内学習、単一ソースガイダンスよりも信頼性が高く一貫した改善をもたらす。
論文参考訳（メタデータ） (2026-02-26T03:34:23Z)
Unleashing the Potential of Differential Evolution through Individual-Level Strategy Diversity [6.921493684518839]
個人レベルの戦略多様性が差分進化の探索力学と性能に与える影響について検討する。 iStratDEは、突然変異とクロスオーバー戦略を個別に割り当てる最小限の変種である。 CEC2022ベンチマークスイートとロボット制御タスクの実験は、iStratDEが確立された適応Dの変種と一致するか、あるいは超えることを示した。
論文参考訳（メタデータ） (2026-02-01T10:45:44Z)
FinEvo: From Isolated Backtests to Ecological Market Games for Multi-Agent Financial Strategy Evolution [27.042813852171378]
FinEvoは、マルチエージェント金融戦略の進化力学を研究するための生態ゲーム形式主義である。個人レベルでは、MLベースのヘテロジニアストレーダーによるルールベースのディープラーニング、強化学習、大規模言語モデル(LLM)が、歴史的価格や外部ニュースなどの信号を用いて適応する。人口レベルでは、戦略分布は、3つの設計されたメカニズムの選択、革新、環境摂動によって発展し、実際の市場のダイナミックな力を捉えている。
論文参考訳（メタデータ） (2026-02-01T00:52:01Z)
Experience-Guided Adaptation of Inference-Time Reasoning Strategies [49.954515048847874]
Experience-Guided Reasoner (EGuR) は蓄積された経験に基づいて推論時に調整された戦略を生成する。 EGuRは最強のベースラインに対して最大14%の精度向上を実現し、計算コストを最大111倍に削減する。
論文参考訳（メタデータ） (2025-11-14T17:45:28Z)
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)
On strategies for risk management and decision making under uncertainty shared across multiple fields [55.2480439325792]
本稿では、このような戦略の110以上の例を見つけ、リスクに対するこのアプローチをRDOT: Risk-reducing Design and Operations Toolkitと呼ぶ。 RDOT戦略は、構造的、反応性、形式的、敵対的、多段階、ポジティブの6つの幅広いカテゴリに分類される。全体的なRDOTは、不確実性に対する多目的応答の見過ごされたクラスを表している。
論文参考訳（メタデータ） (2023-09-06T16:14:32Z)
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。