論文の概要: AlphaSchema: Exploring the Space of Trading Semantics for LLM-Based Alpha Mining

• arxiv url: http://arxiv.org/abs/2607.26642v1
• Date: Wed, 29 Jul 2026 09:04:25 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-30 21:06:25.604874
• Title: AlphaSchema: Exploring the Space of Trading Semantics for LLM-Based Alpha Mining
• Title（参考訳）: AlphaSchema: LLMベースのアルファマイニングのための取引セマンティクスの空間を探る
• Authors: Jingyang Yi, Jian Yang, Yifei Jin, Yuqi Li, Jian Li,
• Abstract要約: 我々はアルファマイニングのための取引セマンティクスの構造空間の構築と探索を行うAlphaを紹介する。 反復選択機構は、このモデルを用いて、代理誘導によるエクスプロイトと局所突然変異のバランスをとる。 中国の株式市場での実験によると、Alphaは強力な予測評価とポートフォリオのパフォーマンスを備えたファクタープールを発見している。
• 参考スコア（独自算出の注目度）: 23.13242567888876
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Automated alpha mining has increasingly adopted large language model (LLM) agents for factor generation and iterative discovery. However, existing LLM-based systems often delegate both factor construction and search decisions to the agent itself, without an explicit exploration space or a principled mechanism for navigating that space. As a result, exploration remains largely implicit and difficult to control or optimize systematically. We introduce AlphaSchema, which constructs and explores a structured space of trading semantics for alpha mining. Each point in this space is a schema plan composed of Event, Context, Qualities, Direction, and Output, specifying the semantics of a candidate factor before implementation. AlphaSchema decouples exploration from implementation: an LLM translates selected schema plans into executable factors, while evaluated rewards are accumulated to learn a surrogate model over the semantic space. An iterative selection mechanism uses this model to balance global exploration, surrogate-guided exploitation, and local mutation. Experiments on the Chinese stock market show that AlphaSchema discovers factor pools with strong predictive and portfolio performance. Further analyses show that the semantic search process navigates diverse regions while increasingly allocating evaluations toward high-reward regions, and that implementations of the same schema plans by different LLMs exhibit comparable predictive quality, suggesting that alpha mining quality is largely robust to the choice of LLM within our framework.
• Abstract（参考訳）: 自動アルファマイニングは、因子生成と反復的な発見のために、大規模言語モデル(LLM)エージェントの採用が増えている。 しかし、既存のLLMベースのシステムでは、明示的な探索空間やその空間をナビゲートするための原理的なメカニズムを使わずに、要素構築と探索決定の両方をエージェント自身に委譲することが多い。 結果として、探索は暗黙的に行われ、体系的に制御や最適化が困難である。 アルファマイニングのための取引セマンティクスの構造空間を構築し,検討するAlphaSchemaを紹介する。 この空間の各ポイントは、イベント、コンテキスト、量、方向、出力で構成されるスキーマプランであり、実装前に候補因子のセマンティクスを指定する。 AlphaSchemaは、実装から探索を分離する: LLMは、選択したスキーマ計画を実行可能な要素に変換し、評価された報酬は、セマンティック空間上の代理モデルを学ぶために蓄積される。 反復的な選択メカニズムは、このモデルを用いて、グローバルな探索、代理誘導による搾取、局所的な突然変異のバランスをとる。 中国の株式市場での実験によると、AlphaSchemaは強力な予測とポートフォリオのパフォーマンスを持つファクタープールを発見している。 さらに分析したところ, セマンティック検索プロセスは多種多様な領域をナビゲートし, 評価を高次領域に割り当てる一方で, 異なるLSMによる同一のスキーマプランの実装は, ほぼ同等の予測品質を示し, アルファマイニングの品質は, フレームワーク内でのLSMの選択に大きく影響していることが示唆された。

関連論文リスト

• Agentic Reinforced Policy Optimization [66.96989268893932]
  検証可能な報酬付き大規模強化学習(RLVR)は,大規模言語モデル(LLM)を単一ターン推論タスクに活用する効果を実証している。 現在のRLアルゴリズムは、モデル固有のロングホライゾン推論能力と、マルチターンツールインタラクションにおけるその習熟性のバランスが不十分である。 エージェント強化ポリシー最適化(ARPO: Agentic Reinforced Policy Optimization)は,マルチターンLDMエージェントを学習するためのエージェントRLアルゴリズムである。
  論文  参考訳（メタデータ） (2025-07-26T07:53:11Z)
• Discrete Tokenization for Multimodal LLMs: A Comprehensive Survey [69.45421620616486]
  本研究は、大規模言語モデル(LLM)用に設計された離散トークン化手法の最初の構造的分類と解析である。 古典的および近代的なパラダイムにまたがる8つの代表的なVQ変種を分類し、アルゴリズムの原理を分析し、力学を訓練し、LLMパイプラインとの統合に挑戦する。 コードブックの崩壊、不安定な勾配推定、モダリティ固有の符号化制約など、重要な課題を特定する。
  論文  参考訳（メタデータ） (2025-07-21T10:52:14Z)
• Navigating the Alpha Jungle: An LLM-Powered MCTS Framework for Formulaic Factor Mining [8.53606484300001]
  本稿では,大規模言語モデル (LLM) とモンテカルロ木探索 (MCTS) を統合する新しいフレームワークを提案する。 重要な革新は、MCTS探究のガイダンスであり、各候補因子の金銭的バックテストから、豊かで定量的なフィードバックによってである。 実世界の株式市場データによる実験結果から, LLMをベースとしたフレームワークは, 予測精度と取引性能に優れたアルファをマイニングすることにより, 既存手法よりも優れた性能を示した。
  論文  参考訳（メタデータ） (2025-05-16T11:14:17Z)
• Monte Carlo Tree Search for Comprehensive Exploration in LLM-Based Automatic Heuristic Design [33.58608225370497]
  大規模言語モデル (LLM) に基づく自動設計 (AHD) 手法は、手作業による介入なしに高品質な設計を作成することを約束している。 本稿では,進化進化にモンテカルロ木探索(MCTS)を用いることを提案する。
  論文  参考訳（メタデータ） (2025-01-15T06:00:50Z)
• Probing Ranking LLMs: A Mechanistic Analysis for Information Retrieval [20.353393773305672]
  我々は、LLMのランク付けにおけるニューロンの活性化を調べるために、探索に基づく分析を用いる。 本研究は,語彙信号,文書構造,問合せ文書間相互作用,複雑な意味表現など,幅広い機能カテゴリにまたがる。 我々の発見は、より透明で信頼性の高い検索システムを開発するための重要な洞察を提供する。
  論文  参考訳（メタデータ） (2024-10-24T08:20:10Z)
• EVOLvE: Evaluating and Optimizing LLMs For In-Context Exploration [76.66831821738927]
  大規模言語モデル(LLM)は、不確実性の下で最適な意思決定を必要とするシナリオにおいて、未調査のままである。 多くのアプリケーションに関係のあるステートレス強化学習環境である,帯域幅を最適に決定できる LLM の (in) 能力の測定を行う。 最適な探索アルゴリズムの存在を動機として,このアルゴリズム知識をLLMに統合する効率的な方法を提案する。
  論文  参考訳（メタデータ） (2024-10-08T17:54:03Z)
• From Words to Actions: Unveiling the Theoretical Underpinnings of LLM-Driven Autonomous Systems [59.40480894948944]
  大規模言語モデル (LLM) は、物理世界の意思決定問題を解くことができる。 このモデルの下で、LLM Plannerは、プロンプトを介して言語ベースのサブゴールを反復的に生成することにより、部分的に観測可能なマルコフ決定プロセス(POMDP)をナビゲートする。 我々は,事前学習したLLMプランナーが,文脈内学習を通じてベイズ的集計模倣学習(BAIL)を効果的に行うことを証明した。
  論文  参考訳（メタデータ） (2024-05-30T09:42:54Z)

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。