論文の概要: AlphaMemo: Structured Search-Process Memory for Self-Evolving Alpha Mining Agents

• arxiv url: http://arxiv.org/abs/2606.20625v1
• Date: Tue, 26 May 2026 15:48:09 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-30 23:06:35.779222
• Title: AlphaMemo: Structured Search-Process Memory for Self-Evolving Alpha Mining Agents
• Title（参考訳）: AlphaMemo: 自己進化型アルファマイニングエージェントのための構造化検索プロセスメモリ
• Abstract要約: AlphaMemoは、Structured Search-Process Memoryを備えた自己進化型アルファマイニングエージェントである。 編集モチーフが機能するか、特定の親要素コンテキストで失敗するかに関する再利用可能な証拠を記録する。 CSI 500とS&P 500の実験では、サンプル外性能と固定予算発見効率が改善された。
• 参考スコア（独自算出の注目度）: 87.95001910627825
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: LLM agents are promising for alpha mining via combining financial priors, symbolic reasoning, executable factor generation, and feedback-driven refinement. Yet, they face a combinatorial search space, noisy non-stationary feedback, redundant discoveries, and overfitting risks from naively reusing past successes. To address these challenges, we propose AlphaMemo, a self-evolving alpha mining agent with Structured Search-Process Memory. Rather than memorizing only final factors or full trajectories, AlphaMemo records reusable evidence about which edit motifs work or fail under specific parent-factor contexts. It extracts motifs from Abstract Syntax Tree (AST) differences, applies confidence-gated residual memory on top of a search-ledger prior, and uses asymmetric veto control to suppress high-confidence failure patterns. Experiments on CSI 500 and S\&P 500 show improved out-of-sample performance and fixed-budget discovery efficiency, with ablations validating the roles of residual learning, confidence gating, AST-diff motifs, and veto memory. Code is at https://github.com/jarrettyu/AlphaMemo.
• Abstract（参考訳）: LLMエージェントは、金融先例、象徴的推論、実行可能因子生成、フィードバック駆動の精錬を組み合わせることでアルファマイニングを約束している。 しかし、彼らは組み合わさった検索スペース、ノイズのない非定常的なフィードバック、冗長な発見、そして過去の成功を過度に再利用するリスクに直面する。 これらの課題に対処するために,構造化検索プロセスメモリを用いた自己進化型アルファマイニングエージェントAlphaMemoを提案する。 AlphaMemoは最終要素や完全な軌道のみを記憶する代わりに、編集モチーフが機能するか、あるいは特定の親要素コンテキスト下で失敗するかに関する再利用可能な証拠を記録している。 AST(Abstract Syntax Tree)の相違点からモチーフを抽出し、検索レガーの上に信頼を付与した残差メモリを適用し、非対称ベト制御を用いて高信頼障害パターンを抑える。 CSI 500とS\&P 500の実験では、残差学習、信頼ゲーティング、AST-diffモチーフ、vetoメモリの役割を検証し、サンプル外性能と固定予算発見効率が改善された。 コードはhttps://github.com/jarrettyu/AlphaMemo.comにある。

関連論文リスト

• AutoScientist-Quant: Self-Evolving Coding Agents for Automatic Research in Quantitative Investment [28.36446889018906]
  本稿では,定量的研究を1つの予算付き探索問題とみなす自己進化型探索プロセスであるAutoScientist-Quantを提案する。 単一のコントローラは、残りの予算についてすべての決定を条件付け、各ラウンドでどのノードを拡大するか、どのアルファを生成すべきか、過去のトラジェクトリを共有メモリから取得するかを選択できる。 このフレームワークはあらゆる設定においてほぼすべての指標の最高の価値を達成し、これらの結論はいくつかのバックボーンや市場にわたって保持される。
  論文  参考訳（メタデータ） (2026-08-05T23:34:46Z)
• RING: Retrieval-Internalized Generation for Continual Large-Scale Knowledge Injection [88.56816599695391]
  Retrieval-augmented Generation (RAG)は、事実性を改善すると同時に、サービス時のレイテンシとエンジニアリングオーバーヘッドを追加する。 アーキテクチャとトレーニングの両方にまたがる全体的パラダイムであるRING(Retrieval-Internalized Generation)を提案する。
  論文  参考訳（メタデータ） (2026-08-03T03:00:43Z)
• AttriMem: Attribution-Guided Process Feedback for Agent Memory Learning [13.898789808338634]
  RLを用いてメモリ構築ポリシーを学習するための帰属誘導プロセスフィードバックフレームワークを提案する。 AttriMemは、最終回答に対するトークンレベルのコントリビューションから得られる局所的な報酬で、グローバルな成果報酬を強化する。
  論文  参考訳（メタデータ） (2026-07-23T09:35:34Z)
• XALPHA: A Memory-Driven AI Quant Researcher for Hypothesis-to-Code Alpha Discovery [11.611093390158908]
  XAlphaは、連続仮説からコードへのアルファ発見のためのメモリ駆動型AI Quant Researcherである。 報告書に基づく財務知識と、先代からの発見フィードバックと研究サイクルを統合している。 XAlphaは、単離された因子生成からアルファマイニングをクローズドループ研究プロセスに変換する。
  論文  参考訳（メタデータ） (2026-07-09T10:17:22Z)
• Learning When to Remember: Risk-Sensitive Contextual Bandits for Abstention-Aware Memory Retrieval in LLM-Based Coding Agents [0.0]
  コーディングエージェントは、以前の経験、トレースの修復、リポジトリローカルな運用知識を再利用するために、ますます外部メモリに依存している。 本稿では、純トップk検索問題ではなく、選択的かつリスクに敏感な制御問題として、イシューメモリの使用を再検討する。 リスクに敏感なコンテキスト帯域メモリコントローラであるRSCB-MCを導入し,メモリ使用の有無を判断し,トップレゾリューションを注入し,複数の候補を要約し,高精度または高速リコール検索,停止,あるいはフィードバックを求める。
  論文  参考訳（メタデータ） (2026-04-30T00:32:53Z)
• Memory-Augmented LLM-based Multi-Agent System for Automated Feature Generation on Tabular Data [52.80567461420316]
  メモリ拡張LPMに基づくマルチエージェントシステム(textbfMALMAS)を提案する。 MALMASは生成プロセスを独立した責任を持つエージェントに分解し、ルータエージェントはイテレーション毎にエージェントの適切なサブセットを起動する。 さらに、手続きメモリ、フィードバックメモリ、概念記憶を含むメモリモジュールを統合し、その後の特徴生成を適応的に導く反復的改善を可能にする。
  論文  参考訳（メタデータ） (2026-04-22T07:09:30Z)
• Latent Abstraction for Retrieval-Augmented Generation [4.6096940605642915]
  既存のシステムは各ホップで自然言語クエリを生成することに依存している。 我々は,単一のLLMが符号化,検索,生成を同時に行う統一的なフレームワークである textbfLAnR (Latent Abstraction for RAG) を提案する。
  論文  参考訳（メタデータ） (2026-04-20T06:26:13Z)
• NextMem: Towards Latent Factual Memory for LLM-based Agents [58.35585202907478]
  NextMemは、自動回帰型オートエンコーダを使用して、潜時メモリを効率的に構築する、潜時ファクトメモリフレームワークである。 大規模な実験は、NextMemが優れたパフォーマンスを達成することを示す。
  論文  参考訳（メタデータ） (2026-02-26T14:35:27Z)
• Agent Alpha: Tree Search Unifying Generation, Exploration and Evaluation for Computer-Use Agents [6.357946414392768]
  Agent Alphaは、ステップレベルのモンテカルロ木探索(MCTS)を通じて生成、探索、評価を相乗化するための統合フレームワークである OSWorldベンチマークでは、Agens Alphaは最先端の成功率$sim 77%を達成し、同等の計算で軌道レベルのベースラインを大幅に上回っている。
  論文  参考訳（メタデータ） (2026-02-03T02:07:12Z)
• Prism: Efficient Test-Time Scaling via Hierarchical Search and Self-Verification for Discrete Diffusion Language Models [96.0074341403456]
  LLM推論を改善するための実用的な方法として、推論時計算が再導入されている。 テスト時間スケーリング(TTS)アルゴリズムの多くは、自動回帰デコーディングに依存している。 そこで我々は,dLLM のための効率的な TTS フレームワーク Prism を提案する。
  論文  参考訳（メタデータ） (2026-02-02T09:14:51Z)
• Alpha-R1: Alpha Screening with LLM Reasoning via Reinforcement Learning [28.326583684637853]
  信号の崩壊と政権交代は、非定常市場におけるデータ駆動型投資戦略に繰り返し挑戦する。 既存の因子ベースの手法は、アルファを数値時系列に還元し、ある因子が経済的に関係しているかどうかを決定する意味論的論理を見渡すのが一般的である。 文脈認識型アルファスクリーニングのための強化学習により訓練された8Bパラメータ推論モデルであるAlpha-R1を提案する。
  論文  参考訳（メタデータ） (2025-12-29T14:50:23Z)
• Cognitive Alpha Mining via LLM-Driven Code-Based Evolution [29.71597480304934]
  我々は,コードレベルのアルファ表現とLLMによる推論と進化的探索を組み合わせた認知的アルファマイニングフレームワーク(CogAlpha)を紹介する。 LLMを適応認知エージェントとして扱うことで、我々のフレームワークは、プロンプトや金銭的フィードバックを通じて、アルファ候補を反復的に洗練し、変異し、再結合します。 A-共有平衡の実験は、CogAlphaが既存の方法よりも優れた予測精度、堅牢性、一般化を持つアルファを一貫して発見することを示した。
  論文  参考訳（メタデータ） (2025-11-24T07:45:59Z)
• TeaRAG: A Token-Efficient Agentic Retrieval-Augmented Generation Framework [62.66056331998838]
  TeaRAGは、検索内容と推論ステップの両方を圧縮できるトークン効率のエージェントRAGフレームワークである。 報奨関数は,過剰な推論ステップをペナルティ化しながら,知識マッチング機構によって知識満足度を評価する。
  論文  参考訳（メタデータ） (2025-11-07T16:08:34Z)
• Context Enhancement with Reconstruction as Sequence for Unified Unsupervised Anomaly Detection [68.74469657656822]
  非教師付き異常検出(AD)は、通常のサンプルのみを用いて堅牢な検出モデルを訓練することを目的としている。 最近の研究は、すべてのクラスに対して1つのモデルのみをトレーニングする、統一された教師なしAD設定に焦点を当てている。 本稿では,特徴再構成時の文脈対応性を高める新しいRAS法を提案する。
  論文  参考訳（メタデータ） (2024-09-10T07:37:58Z)

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。