論文の概要: EVOQUANT: Self-Evolving Verifier-Guided Strategy Optimization for Robust Quantitative Trading

• arxiv url: http://arxiv.org/abs/2607.12455v1
• Date: Tue, 14 Jul 2026 07:34:01 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-15 17:08:30.077903
• Title: EVOQUANT: Self-Evolving Verifier-Guided Strategy Optimization for Robust Quantitative Trading
• Title（参考訳）: EVOQUANT:ロバストな量的取引のための自己進化検証型戦略最適化
• Abstract要約: EVOQUANTは、定量取引における戦略最適化のための自己進化検証フレームワークである。 提案手法は, セマンティック制御された候補編集を生成し, 多段階検証パイプラインを用いて最適な戦略を選択する。 実験結果から,本手法は全試験戦略におけるシャープ比を大幅に改善することが示された。
• 参考スコア（独自算出の注目度）: 24.38446478098508
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Quantitative strategy optimization remains largely manual, requiring domain experts to identify weak signals, tune risk-control rules, and repeatedly validate iterative revisions. Large language models can accelerate this process, but directly relying on them to rewrite trading strategies often introduces hallucinated edits, strategy drift, and backtest overfitting. We propose EVOQUANT, a self-Evolving Verifier-guided framework for strategy Optimization in Quantitative trading. Our method utilizes LLMs to deeply diagnose performance bottlenecks, generates semantically controlled candidate edits, selects the best strategy through a multi-stage verification pipeline, and distills optimization experience into reusable knowledge for continual self-improvement. We evaluate our method using seven representative strategies: four from the A-share market and three from the Crypto market. Experimental results show that our method significantly improves the Sharpe ratio across all tested strategies: the average test Sharpe increases from -0.298 to 0.538, and the best-performing strategy achieves a 199% relative improvement. Ablation studies and stress tests under stricter conditions further validate the effectiveness and robustness of the framework. Overall, this work transforms quantitative strategy optimization from costly manual trial and error into an automated and verifiable iterative paradigm, offering a new path for applying large language models to financial strategy research.
• Abstract（参考訳）: 定量的戦略最適化は主に手作業で行われており、ドメインの専門家は弱い信号を特定し、リスク制御ルールをチューニングし、反復的な修正を繰り返し検証する必要がある。 大規模な言語モデルは、このプロセスを加速することができるが、取引戦略の書き直しに直接依存しているため、しばしば幻覚的な編集、戦略のドリフト、バックテストオーバーフィッティングが導入される。 本稿では,量的取引における戦略最適化のための自己進化検証手法であるEVOQUANTを提案する。 提案手法は,LLMを用いて性能ボトルネックを深く診断し,セマンティックに制御された候補編集を生成し,多段階検証パイプラインを通じて最良の戦略を選択し,最適化経験を再利用可能な知識に抽出し,継続的な自己改善を行う。 提案手法は,Aシェア市場から4,Crypto市場から3つの代表的な戦略を用いて評価する。 実験の結果, シャープ比は平均試験シャープ比が0.298から0.538に向上し, 高い性能のシャープ比が199%向上した。 厳密な条件下でのアブレーション研究とストレステストは、フレームワークの有効性と堅牢性をさらに検証する。 全体として、この研究は、定量的戦略最適化を、コストのかかる手作業による試行錯誤から、自動化された検証可能な反復パラダイムへと変換し、金融戦略研究に大規模言語モデルを適用するための新たな道筋を提供する。

関連論文リスト

• MetaPS: Adaptive Programmatic Strategy Selection for Market Agents [29.0862253154432]
  適応型プログラム戦略選択のためのシミュレーション誘導フレームワークである textbfMetaPS を提案する。 MetaPSは、シミュレーションまたはバックテストされた市場で候補戦略をロールアウトし、特定の戦略がよりよい将来的な成果をもたらす状態を特定し、これらの状態戦略ペアを教師付き微調整データに変換する。 マルチストックトレーディングとコントロールされた商品交換サンドボックスの実験は、MetaPSが0.8Bから9Bパラメータのモデルスケールにわたって一貫して改善していることを示している。
  論文  参考訳（メタデータ） (2026-06-21T08:22:23Z)
• 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)
• 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)
• AutoDAN-Reasoning: Enhancing Strategies Exploration based Jailbreak Attacks with Test-Time Scaling [54.47844626555395]
  AutoDAN-Turboは生涯学習エージェントを使用して、攻撃戦略の豊富なライブラリをゼロから構築する。 非常に効果的ではあるが、そのテスト時間生成プロセスは戦略をサンプリングし、対応する1つの攻撃プロンプトを生成する。 本稿では,テスト時間スケーリングによるAutoDAN-Turboの攻撃性能の向上を提案する。
  論文  参考訳（メタデータ） (2025-10-06T21:16:09Z)
• Plan before Solving: Problem-Aware Strategy Routing for Mathematical Reasoning with LLMs [49.995906301946]
  既存の手法は通常、数学的推論を行うためにLLM(Large Language Models)をガイドするための固定戦略を利用する。 分析の結果,単一戦略は問題固有の要件に適応できず,有効性と効率性のトレードオフを見落としていることが明らかとなった。 本稿では,PRISM(Planning and Routing through Instance-Specific Modeling)を提案する。
  論文  参考訳（メタデータ） (2025-09-29T07:22:41Z)
• Do We Truly Need So Many Samples? Multi-LLM Repeated Sampling Efficiently Scales Test-Time Compute [54.22256089592864]
  本稿では,テスト時間計算のスケールアップによるLCM性能向上のための,シンプルで効果的で費用効率のよい手法を提案する。 当社の戦略は,複数のモデルを組み込んで,補完的な強みを活用するという,新たなツイストによって,繰り返しサンプリングされる投票フレームワークを基盤としています。
  論文  参考訳（メタデータ） (2025-04-01T13:13:43Z)
• SMART: Self-learning Meta-strategy Agent for Reasoning Tasks [44.45037694899524]
  SMART(Self-learning Meta-Strategy Agent for Reasoning Tasks)は、LMが様々な推論タスクの最も効果的な戦略を学習し、選択できる新しいフレームワークである。 我々は、戦略選択プロセスをマルコフ決定プロセスとしてモデル化し、強化学習による継続的自己改善を活用する。 実験の結果,SMARTは外部ガイダンスを使わずに最適な戦略を選択する能力を大幅に向上することが示された。
  論文  参考訳（メタデータ） (2024-10-21T15:55:04Z)
• Robust Utility Optimization via a GAN Approach [2.528513413370073]
  本稿では,堅牢なユーティリティ最適化問題を解決するために,GAN(Generative Adversarial Network)アプローチを提案する。 特に、投資家と市場の両方をニューラルネットワーク(NN)でモデル化し、ミニマックスゼロサムゲームでトレーニングする。
  論文  参考訳（メタデータ） (2024-03-22T14:36:39Z)
• Universal Trading for Order Execution with Oracle Policy Distillation [99.57416828489568]
  本稿では,不完全な市場状態と注文実行のための最適な行動シーケンスとのギャップを埋める,新たなユニバーサル取引ポリシー最適化フレームワークを提案する。 本研究の枠組みは,完全情報を持つ託宣教師による実践的最適実行に向けて,共通政策の学習を指導する上で有効であることを示す。
  論文  参考訳（メタデータ） (2021-01-28T05:52:18Z)

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。