論文の概要: Lineage-Aware Search Control for LLM-Based Evolutionary Factor Mining

• arxiv url: http://arxiv.org/abs/2610.29663v1
• Date: Wed, 21 Oct 2026 12:40:52 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-23 00:40:06.360296
• Title: Lineage-Aware Search Control for LLM-Based Evolutionary Factor Mining
• Title（参考訳）: LLMに基づく進化的因子マイニングのための線形認識探索制御
• Abstract要約: 現状の手法は、主に個体群レベルでの探索を組織化しており、系統レベルでの制御が過小評価されていると論じている。 検索制御の2つの結合形式で系統を利用するLineageEvoを提案する。 CSI 500 および S&P 500 上の LineageEvo を,因子予測性,ポートフォリオ性能,探索効率,系統および表現レベルの多様性の観点から評価した。
• 参考スコア（独自算出の注目度）: 10.84143572262433
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Formulaic alpha factor mining searches for symbolic expressions that transform market data into predictive signals. Recent LLM-based evolutionary factor mining methods use large language models as semantic variation operators. Under the conventional LLM-EA paradigm, stochastic variation and fitness-based selection can leave the search weakly directed and concentrated around a narrow set of structurally similar factors. We argue that these limitations arise because current methods mainly organize search at the individual and population levels, leaving lineage-level control underused. A lineage connects successive factor variants through evolutionary descent. We propose LineageEvo, which uses lineage in two coupled forms of search control: (1) lineage-conditioned LLM variation, which distills Lineage-Scoped Search Experience into operator-specific priors and fuses them with global operator priors, providing persistent, lineage-relevant guidance for LLM generation; and (2) lineage-stratified search allocation, which balances factor quality against lineage concentration by distributing the search budget across lineages during evolutionary search. Together, these mechanisms make semantic variation more direction aware and prevent branches from dominating the evolution, thereby promoting the discovery of predictive and diverse factors. We evaluate LineageEvo on CSI 500 and S&P 500 in terms of factor predictiveness, portfolio performance, search efficiency, and lineage- and expression-level diversity. LineageEvo achieves the strongest predictive performance on both markets, while LSPS produces a more balanced lineage distribution and a structurally broader factor pool. The results support lineage as a useful intermediate unit for controlling LLM-based evolutionary factor search.
• Abstract（参考訳）: 市場データを予測信号に変換する記号表現の定式的アルファファクタマイニング 近年のLLMに基づく進化的因子マイニング法では,大言語モデルを意味変化演算子として用いている。 従来のLLM-EAパラダイムでは、確率的変動とフィットネスに基づく選択は、探索を弱め、構造的に類似した狭い要素に集中させることができる。 これらの制限は、現在の手法が主に個人レベルと人口レベルの探索を組織し、系統レベルの制御が過小評価されているために生じると我々は主張する。 系統は進化的派生を通じて連続する因子の変種を結合する。 そこで我々は,LineageEvoを提案する。1 系統条件付きLLM変動は,Lineage-Scoped Search Experienceを演算子固有の先例に蒸留し,それらをグローバルな演算子と融合させ,LLM生成のための永続的,系統関連ガイダンスを提供する。 これらのメカニズムにより、意味的変動がより方向を意識し、分岐が進化を支配するのを防ぎ、予測的かつ多様な要因の発見を促進する。 CSI 500 および S&P 500 上の LineageEvo を,因子予測性,ポートフォリオ性能,探索効率,系統および表現レベルの多様性の観点から評価した。 LineageEvoは両市場で最も高い予測性能を達成し、LSPSはよりバランスの取れた系統分布と構造的に広い因子プールを生成する。 この結果は、LLMに基づく進化因子探索を制御するための有用な中間単位として、系統をサポートする。

関連論文リスト

• AlphaRLM: Aligning Language Models for Literature-Grounded Symbolic Factor Discovery [15.139520627448405]
  我々は、LLMを学習し、入力因子表現のない財務文献から象徴的要素を構築するための強化学習フレームワークAlphaRLMを紹介した。 AlphaRLM には文芸誘導演算子アセンブリ (LEGO) が組み込まれている。 CSI 300, CSI 1000, S&P 500 の実験では、AlphaRLM は年次過剰リターンにおいて強い因子マイニングと LLM ベースのベースラインよりも優れていた。
  論文  参考訳（メタデータ） (2026-10-10T14:32:10Z)
• AlphaSchema: Exploring the Space of Trading Semantics for LLM-Based Alpha Mining [23.13242567888876]
  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。
  論文  参考訳（メタデータ） (2026-07-29T09:04:25Z)
• Evolution-Aware MSA Reasoning for Subsampling via Factor Graphs [55.715754117956514]
  複数のシーケンスアライメントは、明示的な進化コンテキストを持つタンパク質言語モデルを提供する。 MSAサブサンプリングは限定的なトークン予算では避けられない。 本稿では,因子グラフ推論を用いて固定予算MSAサブセットを推定するAP-REASONERを提案する。
  論文  参考訳（メタデータ） (2026-07-24T13:55:21Z)
• Deliberate Evolution: Agentic Reasoning for Sample-Efficient Symbolic Regression with LLMs [52.89778838903305]
  Deliberate Evolution (DE) は、検索制御からシンボル生成を分離するエージェントフレームワークである。 LLM-SRBenchの実験では、DEMは様々な科学領域でLLMベースのSRベースラインを一貫して上回っている。
  論文  参考訳（メタデータ） (2026-06-03T02:22:16Z)
• MobEvolve: An Agentic Self-Evolving Heuristic System for Interpretable Human Mobility Generation [51.824145170051516]
  MobEvolveは、人間のモビリティ生成のための自己進化フレームワークである。 エージェントを使用して、内部ロジックを反復的に進化させる。 最先端の深層生成法とLLMベースの手法を著しく上回っている。
  論文  参考訳（メタデータ） (2026-06-01T03:46:25Z)
• Sparse but Critical: A Token-Level Analysis of Distributional Shifts in RLVR Fine-Tuning of LLMs [65.76530158565903]
  検証可能な報酬(RLVR)による強化学習は、大規模言語モデル(LLM)における推論を大幅に改善した。 本研究は,RLVRの分布効果に関する系統的研究である。 RLファインチューニングは, 基数とRLポリシーの間に有意なばらつきを示すトークン分布のごく一部で, 高度にスパースかつ目標となる変化を誘発することがわかった。
  論文  参考訳（メタデータ） (2026-03-23T18:17:15Z)
• 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)

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。