論文の概要: LLMDE: A Large Language Model-Driven Differential Evolution Algorithm for Portfolio Optimization

• arxiv url: http://arxiv.org/abs/2609.16846v1
• Date: Tue, 15 Sep 2026 08:39:44 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-16 14:56:08.417831
• Title: LLMDE: A Large Language Model-Driven Differential Evolution Algorithm for Portfolio Optimization
• Title（参考訳）: LLMDE:ポートフォリオ最適化のための大規模言語モデル駆動微分進化アルゴリズム
• Abstract要約: 本研究では,手作りハイパーパラメータ設計への依存を減らすために,Large Language Model-Driven Differential Evolution (LLMDE)アルゴリズムを提案する。 CEC2022ベンチマークスイート上でのLLMDEの性能評価を行い,標準Dと代表メタヒューリスティックスとの比較を行った。 実験結果から,LLMDEは,高品質なソリューションを連続的に生成しながら,ベンチマークスイート上での競合性能を実現することが示された。
• 参考スコア（独自算出の注目度）: 23.197379864220295
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: This study proposes a Large Language Model-Driven Differential Evolution (LLMDE) algorithm to reduce the reliance on handcrafted hyperparameter design. The proposed algorithm leverages a prompt engineering strategy, allowing large language models (LLMs) to dynamically select mutation strategies and configure control parameters guided by optimization feedback, thus enhancing the performance of the DE algorithm. We evaluate the performance of LLMDE on the CEC2022 benchmark suite, comparing it with standard DE and representative metaheuristics. Furthermore, we employ factor analysis and K-means clustering for stock selection, and then apply LLMDE to solve the Conditional Value at Risk (CVaR) portfolio optimization problem using the selected stocks, subject to budget and minimum expected return constraints. Experimental results demonstrate that LLMDE achieves competitive performance on the benchmark suite while continuously generating high-quality solutions for complex constrained optimization tasks. These outcomes successfully demonstrate the viability of embedding LLMs within metaheuristics, paving a promising path toward the design of advanced LLM-assisted optimization techniques.
• Abstract（参考訳）: 本研究では,手作りハイパーパラメータ設計への依存を減らすために,Large Language Model-Driven Differential Evolution (LLMDE)アルゴリズムを提案する。 提案アルゴリズムは,大規模な言語モデル(LLM)が動的に突然変異戦略を選択でき,最適化フィードバックによって誘導される制御パラメータを設定でき,DEアルゴリズムの性能が向上する。 CEC2022ベンチマークスイート上でのLLMDEの性能評価を行い,標準Dと代表メタヒューリスティックスとの比較を行った。 さらに, 株価選択には要因分析とK平均クラスタリングを採用し, そして, LLMDEを適用して, 選択した株価を用いたポートフォリオ最適化問題(CVaR)を解決する。 実験により,LLMDEは,複雑な制約のある最適化タスクに対して,高品質なソリューションを連続的に生成しながら,ベンチマークスイート上での競合性能を実現することを示した。 これらの結果はメタヒューリスティックスにLLMを埋め込むことの可能性を実証し、高度なLLMアシスト最適化技術の設計に向けて有望な道を開いた。

関連論文リスト

• FrontierOR: Benchmarking LLMs' Capacity for Efficient Algorithm Design in Large-Scale Optimization [61.43300970020897]
  大規模言語モデル(LLM)は、最適化モデリングとソルバコード生成にますます使われている。 既存のベンチマークは、実際のスケールと複雑さよりもはるかに低い、小さな、あるいは単純化された例に限られている。 現実的な大規模最適化問題に対して,LLMに基づく効率的なアルゴリズム設計を評価するための最初のベンチマークとしてFrontierORを紹介した。
  論文  参考訳（メタデータ） (2026-05-24T20:10:42Z)
• Optimizing Service Operations via LLM-Powered Multi-Agent Simulation [1.2997358113120427]
  サービス操作を最適化するためのLLMを用いたマルチエージェントシミュレーションフレームワークを提案する。 我々は、決定に依存した不確実性を伴う最適化として問題を提起する。 本研究では,1つのシミュレーション実行時にゼロ階勾配推定を同時に構築し,定常状態性能を最適化するための設計パラメータを更新する軌道学習アルゴリズムを開発した。
  論文  参考訳（メタデータ） (2026-04-06T03:14:33Z)
• Execution-Verified Reinforcement Learning for Optimization Modeling [49.171122807323634]
  実行検証学習フレームワークは、数学的プログラミング解法を決定論的で対話的な検証器として扱う。 NL4OPT, MAMO, IndustryOR, OptiBenchをグロビ, OR-Tools, COPTで行った実験では, EVOMがプロセス管理SFTに適合または優れていた。
  論文  参考訳（メタデータ） (2026-04-01T03:39:11Z)
• LLMize: A Framework for Large Language Model-Based Numerical Optimization [0.0]
  大規模言語モデル(LLM)は、最近、従来の言語タスク以上の強力な推論能力を示している。 本稿では,LLM駆動最適化を実現するオープンソースPythonフレームワークであるLLMizeを提案する。
  論文  参考訳（メタデータ） (2025-12-30T20:05:30Z)
• Large Language Model Assisted Automated Algorithm Generation and Evolution via Meta-black-box optimization [9.184788298623062]
  AwesomeDEは大規模言語モデル(LLM)をメタ最適化の戦略として活用し、人間の介入なしに制約付き進化アルゴリズムの更新ルールを生成する。 素早い設計と反復的な改良を含む重要なコンポーネントは、設計品質への影響を判断するために体系的に分析される。 実験の結果,提案手法は計算効率と解の精度で既存手法よりも優れていることがわかった。
  論文  参考訳（メタデータ） (2025-09-16T17:02:24Z)
• LLM4CMO: Large Language Model-aided Algorithm Design for Constrained Multiobjective Optimization [54.35609820607923]
  大規模言語モデル(LLM)は、アルゴリズム設計を支援する新しい機会を提供する。 LLM4CMOは,2つの人口構成をもつ2段階のフレームワークをベースとした新しいCMOEAである。 LLMは複雑な進化最適化アルゴリズムの開発において効率的な共同設計者として機能する。
  論文  参考訳（メタデータ） (2025-08-16T02:00:57Z)
• Large Language Model-Driven Surrogate-Assisted Evolutionary Algorithm for Expensive Optimization [22.024630467760264]
  サロゲート支援進化アルゴリズム(SAEA)は、コストのかかる最適化タスクに対処するための重要なツールである。 本稿では,大規模言語モデル (LLM) を統合した新しい手法 LLM-SAEA を提案する。
  論文  参考訳（メタデータ） (2025-06-20T13:44:21Z)
• Improving Existing Optimization Algorithms with LLMs [0.9668407688201361]
  本稿では,Large Language Models (LLM) が既存の最適化アルゴリズムをどのように拡張するかを検討する。 事前学習した知識を用いて、革新的なバリエーションと実装戦略を提案する能力を示す。 以上の結果から, GPT-4oによる代替案はCMSAのエキスパート設計よりも優れていた。
  論文  参考訳（メタデータ） (2025-02-12T10:58:57Z)
• Discovering Preference Optimization Algorithms with and for Large Language Models [50.843710797024805]
  オフライン優先最適化は、LLM(Large Language Model)出力の品質を向上・制御するための重要な手法である。 我々は、人間の介入なしに、新しい最先端の選好最適化アルゴリズムを自動で発見する客観的発見を行う。 実験は、ロジスティックと指数的損失を適応的にブレンドする新しいアルゴリズムであるDiscoPOPの最先端性能を示す。
  論文  参考訳（メタデータ） (2024-06-12T16:58:41Z)
• LLM as a Complementary Optimizer to Gradient Descent: A Case Study in Prompt Tuning [69.95292905263393]
  グラデーションベースとハイレベルなLLMは、協調最適化フレームワークを効果的に組み合わせることができることを示す。 本稿では,これらを相互に補完し,組み合わせた最適化フレームワークを効果的に連携させることができることを示す。
  論文  参考訳（メタデータ） (2024-05-30T06:24:14Z)
• Provably Mitigating Overoptimization in RLHF: Your SFT Loss is Implicitly an Adversarial Regularizer [52.09480867526656]
  人間の嗜好を学習する際の分布変化と不確実性の一形態として,不一致の原因を同定する。 過度な最適化を緩和するために、まず、逆選択された報酬モデルに最適なポリシーを選択する理論アルゴリズムを提案する。 報奨モデルとそれに対応する最適ポリシーの等価性を用いて、優先最適化損失と教師付き学習損失を組み合わせた単純な目的を特徴とする。
  論文  参考訳（メタデータ） (2024-05-26T05:38:50Z)

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。