論文の概要: AlgoEvolve: LLM-driven Meta-evolution of Algorithmic Trading Programs

• arxiv url: http://arxiv.org/abs/2606.26173v1
• Date: Wed, 24 Jun 2026 10:05:03 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-26 18:46:32.021574
• Title: AlgoEvolve: LLM-driven Meta-evolution of Algorithmic Trading Programs
• Title（参考訳）: AlgoEvolve: LLMによるアルゴリズムトレーディングプログラムのメタ進化
• Abstract要約: 提案するAlgoEvolveは、実行可能なトレーディング戦略を生成し、評価し、反復的に改善する進化的フレームワークである。 複数の実験を通じて、このシステムは、トレーディングルールの自律的なシフトを含む、創発的な体制適応型戦略論理を示す。
• 参考スコア（独自算出の注目度）: 11.243181562664802
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Recent work shows that Large Language Models (LLMs) can act as semantic mutation operators for the evolutionary discovery of programs and proofs. Most current applications focus on static coding benchmarks. We extend this paradigm to algorithmic trading. This domain is uniquely challenging because it is noisy, non-stationary, and highly discontinuous. We present AlgoEvolve, an LLM-driven evolutionary framework that generates, evaluates, and iteratively improves executable trading strategies. These strategies are expressed as Python code and evaluated through a rigorous testing protocol. Across multiple experiments, the system exhibits emergent regime-adaptive strategy logic, including autonomous shifts in trading rules. We further introduce a meta-evolutionary outer loop that evolves the prompts guiding program synthesis in the inner loop. This outer loop discovers improved search heuristics. These heuristics balance exploration and exploitation while reducing zero-trade failures. They consistently outperform initial human-designed instructions. The results demonstrate that LLM-based semantic evolution provides a viable approach for continual program synthesis in complex environments.
• Abstract（参考訳）: 近年の研究では、LLM(Large Language Models)がプログラムと証明の進化的発見のための意味突然変異演算子として機能できることが示されている。 現在のほとんどのアプリケーションは静的コーディングベンチマークに重点を置いている。 我々はこのパラダイムをアルゴリズム取引に拡張する。 この領域は、ノイズ、非定常、および非常に不連続であるため、独特な挑戦である。 提案するAlgoEvolveは, LLM駆動の進化的フレームワークで, 実行可能な取引戦略を生産し, 評価し, 反復的に改善する。 これらの戦略はPythonコードとして表現され、厳格なテストプロトコルを通じて評価される。 複数の実験を通じて、このシステムは、トレーディングルールの自律的なシフトを含む、創発的な体制適応型戦略論理を示す。 さらに、内部ループにおけるプログラム合成を誘導するプロンプトを進化させるメタ進化外ループを導入する。 この外ループは、改良された探索ヒューリスティックを発見する。 これらのヒューリスティックスは、ゼロトレーダの失敗を減らしながら、探索と搾取のバランスをとる。 それらは、初期人間設計の命令よりも一貫して優れていた。 その結果,LLMに基づくセマンティック進化は,複雑な環境下での連続的なプログラム合成に有効な方法であることが示された。

関連論文リスト

• Teaching LLMs to Self-Evolve: Cultivating Core Meta-Skills with Reinforcement Learning [51.17262419591891]
  AlphaEvolveが示すように、環境フィードバックによる反復的自己進化によるテスト時間のスケーリングは、顕著なパフォーマンス向上を示している。 本稿では,データ合成パイプライン,進化対応強化学習,推論時進化探索によるメタスキル開発を目的としたMetaEvolveを提案する。
  論文  参考訳（メタデータ） (2026-07-24T04:35:29Z)
• Self-evolving LLM agents with in-distribution Optimization [60.05867547965365]
  大規模言語モデル(LLM)は最近、複雑な環境で対話的なエージェントのための強力なコントローラとして登場した。 本稿では,自動プロセス・リワードラベリングとポリシー学習を統一するLDMエージェントの自己進化フレームワークであるQ-Evolveを提案する。 我々は,AlfWorld,WebShop,ScienceWorldの手法を評価し,Q-Evolveがサンプル効率,堅牢性,全体的なタスク性能において高いベースラインを達成していることを示す。
  論文  参考訳（メタデータ） (2026-06-05T15:09:52Z)
• What Do Evolutionary Coding Agents Evolve? [46.561777689365165]
  EvoTraceは4つの進化的フレームワーク、推論と非推論モデル、数学とアルゴリズム設計にまたがる16のタスクからなる進化的コーディングトレースのデータセットである。 本研究では,これらのトレースを,ハイスコアソリューションの裏側にある局所的な検索状態を再構成するリプレイベースの手法であるEvoReplayを用いて解析する。 EvoTrace全体では、ほとんどのスコアはこれらの編集タイプの小さなサブセットから得ている。
  論文  参考訳（メタデータ） (2026-05-19T16:41:45Z)
• From I/O to Code with Discovery Agent [103.88427301265669]
  IO2Codeの発見エージェントであるDIO-Agentを提案する。 本手法は,プログラム空間上の進化的探索としてIO2Codeをフレーム化する。 大規模な実験により、DIO-Agentは従来のプログラムバイサンプル法とSOTA進化エージェントベースラインの両方を一貫して上回っていることが示された。
  論文  参考訳（メタデータ） (2026-05-14T18:57:32Z)
• 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)
• DeltaEvolve: Accelerating Scientific Discovery through Momentum-Driven Evolution [28.737322041874293]
  LLM駆動の進化系は、自動科学発見の可能性を証明している。 AlphaEvolveのような既存のアプローチは、文脈非効率なフルコード履歴に依存している。 本稿では,完全なコード履歴を構造化セマンティックデルタに置き換える運動量駆動型進化的フレームワークDeltaEvolveを提案する。
  論文  参考訳（メタデータ） (2026-02-02T23:47:54Z)
• Controlled Self-Evolution for Algorithmic Code Optimization [33.82967000330864]
  自己進化的手法は、反復的な"生成-検証-精細"サイクルを通じてコード生成を強化する。 既存のアプローチでは、限られた予算内で優れた複雑さを持つソリューションを見つけることができません。 本稿では3つのキーコンポーネントからなる制御自己進化(CSE)を提案する。
  論文  参考訳（メタデータ） (2026-01-12T09:23:13Z)
• Learning to Evolve with Convergence Guarantee via Neural Unrolling [37.99564850768798]
  両レベルのメタ最適化フレームワークであるL2E(Learning to Evolve)を導入する。 L2Eは、KM(Krasnosel'skii-Mann)固定点理論に基づくニューラルアンローリング過程として進化探索を再構成する。 実験では、高次元空間におけるL2Eのスケーラビリティと、合成および実世界の制御タスクにまたがる堅牢なゼロショット一般化が示される。
  論文  参考訳（メタデータ） (2025-12-12T10:46:25Z)
• 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)
• LLM-Meta-SR: In-Context Learning for Evolving Selection Operators in Symbolic Regression [11.760077969729055]
  大規模言語モデル (LLM) はアルゴリズム開発に革命をもたらしたが、シンボリック回帰への応用は限定的である。 進化的シンボリック回帰アルゴリズムの選択演算子を自動的に設計するメタラーニングフレームワークを提案する。
  論文  参考訳（メタデータ） (2025-05-24T08:52:56Z)

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。