論文の概要: MadEvolve: Evolutionary Optimization of Trading Systems with Large Language Models
- arxiv url: http://arxiv.org/abs/2605.23007v1
- Date: Thu, 21 May 2026 20:28:57 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-05-25 17:29:20.087379
- Title: MadEvolve: Evolutionary Optimization of Trading Systems with Large Language Models
- Title（参考訳）: MadEvolve: 大規模言語モデルによる取引システムの進化的最適化
- Authors: Yurii Kvasiuk, Tianyi Li, Owen Colegrove, Moritz Münchmeyer,
- Abstract要約: 我々は、Bitcoin取引の例でアルゴリズム取引戦略とアルファ生成を最適化するMadEvolveの有用性を実証する。
我々の研究結果は,AI駆動型エージェントおよび進化的アルゴリズムのアルゴリズム取引および量的ファイナンスへの活用を強く支持する。
- 参考スコア（独自算出の注目度）: 2.2510620936280072
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: We explore the application of LLM-driven algorithm optimization to several common tasks in quantitative finance. MadEvolve, a general-purpose algorithm optimization framework inspired by DeepMind's Alpha-Evolve, was recently developed to optimize algorithms in computational cosmology. Here we demonstrate the utility of MadEvolve to optimize algorithmic trading strategies and alpha generation at the example of Bitcoin trading. On our simulation and backtesting setup, we achieve significant improvements on all tasks we considered, such as evolving feature sets for signal generation, optimizing separate components of the trading strategy, and jointly evolving the feature pipeline together with the execution strategy. Additionally, we compare our method to other agentic search approaches, specifically Claude Code, and carefully evaluate p-hacking probabilities on our simulation setup. Our findings strongly support the utility of AI-driven agentic and evolutionary algorithms for algorithmic trading and quantitative finance.
- Abstract（参考訳）: 定量的ファイナンスにおける複数の共通タスクに対するLLM駆動型アルゴリズム最適化の適用について検討する。
MadEvolveはDeepMindのAlpha-Evolveにインスパイアされた汎用アルゴリズム最適化フレームワークである。
ここでは、アルゴリズムトレーディング戦略とアルファ生成を最適化するMadEvolveの有用性を、Bitcoinトレーディングの例で示す。
シミュレーションとバックテストのセットアップでは、信号生成のための機能セットの進化、トレーディング戦略の分離コンポーネントの最適化、実行戦略とともに機能パイプラインを共同で進化させるなど、検討したすべてのタスクにおいて、大幅な改善を実現しています。
さらに,本手法を他のエージェント検索手法,特にClaude Codeと比較し,シミュレーション装置上でのpハッキング確率を慎重に評価する。
我々の研究結果は,AI駆動型エージェントおよび進化的アルゴリズムのアルゴリズム取引および量的ファイナンスへの活用を強く支持する。
関連論文リスト
- Advancing Automated Algorithm Design via Evolutionary Stagewise Design with LLMs [69.91297564489464]
EvoStageは、産業規模のアルゴリズム設計の厳密な要求とLLMベースのアルゴリズム設計のギャップを埋める新しい進化パラダイムである。
EvoStageは、アルゴリズム設計プロセスを逐次的に管理可能なステージに分解し、リアルタイム中間フィードバックを反復的に洗練されたアルゴリズム設計方向に統合する。
商用グレードの3Dチップ配置ツールにデプロイすると、EvoStageはオリジナルのパフォーマンス指標を大幅に上回り、記録破りの効率を達成する。
論文 参考訳（メタデータ） (2026-03-09T05:13:44Z) - AdaEvolve: Adaptive LLM Driven Zeroth-Order Optimization [61.535567824938205]
本稿では,LLMによる進化を階層的適応最適化問題として再構成するフレームワークであるAdaEvolveを紹介する。
AdaEvolveは185の異なるオープンエンド最適化問題において、オープンエンドベースラインを一貫して上回っている。
論文 参考訳（メタデータ） (2026-02-23T18:45:31Z) - Large Language Model-Powered Evolutionary Code Optimization on a Phylogenetic Tree [17.08113692977552]
PhyloEvolveは、GPU指向のアルゴリズム最適化をIn-Context Reinforcement Learning問題として再設計するシステムである。
本稿では,アルゴリズムの変種間の継承,分岐,組換えを捉える系統木表現を提案する。
我々は、PDEソルバ、多様体学習、スペクトルグラフアルゴリズムを含む科学計算処理のPhyloEvolveを評価する。
論文 参考訳（メタデータ） (2026-01-20T22:32:52Z) - Socio-cognitive agent-oriented evolutionary algorithm with trust-based optimization [70.49434432747293]
信頼に基づく最適化(TBO)は、従来の周期的移行を信頼や評価に基づく柔軟なエージェント駆動の相互作用メカニズムに置き換える進化計算における島モデルの新たな拡張である。
実験の結果、TBOは様々な最適化問題において標準島モデル進化アルゴリズムよりも優れていた。
論文 参考訳（メタデータ） (2025-10-29T01:59:26Z) - CodeEvolve: An open source evolutionary coding agent for algorithm discovery and optimization [0.6198237241838559]
我々は,大規模言語モデルと遺伝的アルゴリズムを結合して複雑な計算問題を解く,オープンソースの進化的符号化エージェントであるCodeEvolveを紹介する。
我々のフレームワークは、一般化された科学的発見のための最近の手法に基づいて、強力な進化的概念を大規模言語モデルドメインに適用する。
我々は、Google DeepMindのクローズドソースAlphaEvolveを評価するために使用される数学ベンチマークのサブセット上で、CodeEvolveの厳密な評価を行う。
論文 参考訳（メタデータ） (2025-10-15T22:58:06Z) - Experience-Guided Reflective Co-Evolution of Prompts and Heuristics for Automatic Algorithm Design [124.54166764570972]
組合せ最適化問題は伝統的に手作りのアルゴリズムで取り組まれている。
最近の進歩は、大規模言語モデルによる自動設計の可能性を強調している。
本稿では,自動アルゴリズム設計のためのPmpt and Heuristics (EvoPH) を用いた経験進化的リフレクティブ・ガイドを提案する。
論文 参考訳（メタデータ） (2025-09-29T09:24:09Z) - AlphaEvolve: A coding agent for scientific and algorithmic discovery [63.13852052551106]
我々は,最先端LLMの能力を大幅に向上させる進化的符号化エージェントAlphaEvolveを提案する。
AlphaEvolveはLLMの自律パイプラインを編成し、そのタスクはコードを直接変更することでアルゴリズムを改善することである。
本稿では,多くの重要な計算問題に適用することで,このアプローチの広範な適用性を実証する。
論文 参考訳（メタデータ） (2025-06-16T06:37:18Z) - DARS: Dynamic Action Re-Sampling to Enhance Coding Agent Performance by Adaptive Tree Traversal [55.13854171147104]
大規模言語モデル(LLM)は、自然言語処理、データ分析、ソフトウェア開発など、さまざまな領域に革命をもたらした。
符号化エージェントのための新しい推論時間計算スケーリングアプローチである動的アクション再サンプリング(DARS)を提案する。
我々は、SWE-Bench Liteベンチマークに対する我々のアプローチを評価し、このスケーリング戦略がClude 3.5 Sonnet V2で55%のパス@kスコアを達成したことを実証した。
論文 参考訳（メタデータ） (2025-03-18T14:02:59Z) - An Invariant Information Geometric Method for High-Dimensional Online
Optimization [9.538618632613714]
本稿では,対応するフレームワークから派生した,完全な不変性指向進化戦略アルゴリズムを提案する。
ベイズ最適化と進化戦略における主要なアルゴリズムに対してSynCMAをベンチマークする。
あらゆるシナリオにおいて、SynCMAはサンプル効率において他のアルゴリズムよりも優れた能力を示す。
論文 参考訳（メタデータ） (2024-01-03T07:06:26Z) - Accelerating the Evolutionary Algorithms by Gaussian Process Regression
with $\epsilon$-greedy acquisition function [2.7716102039510564]
本稿では,最適化の収束を早めるために,エリート個人を推定する新しい手法を提案する。
我々の提案には、エリート個人を推定し、最適化の収束を加速する幅広い見通しがある。
論文 参考訳（メタデータ） (2022-10-13T07:56:47Z)
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。