AlgoEvolve использует LLM для эволюции алгоритмических торговых стратегий
Исследователи представили систему AlgoEvolve, эволюционную платформу под управлением LLM. Она генерирует исполняемые стратегии алгоритмической торговли, тестирует их и постепенно улучшает. В основе подхода идея использовать Large Language Models как операторов «семантических мутаций» в эволюционном поиске программ. Большинство предыдущих работ рассматривали статические задачи программирования. Здесь же систему применили к торговым стратегиям, где среда шумная, нестационарная и подвержена резким изменениям.
В AlgoEvolve стратегии описываются как код на Python и проходят строгий протокол тестирования. В серии экспериментов система начала формировать адаптивную логику: правила торговли меняются в зависимости от рыночного режима. Как сообщает arXiv cs.AI (Artificial Intelligence), такие изменения появляются автономно во время эволюционного поиска.
Авторы добавили и внешний метаэволюционный цикл. Он оптимизирует сами подсказки (prompts), которые направляют синтез программ во внутреннем цикле. Такой уровень поиска подбирает более эффективные эвристики, помогает удерживать баланс между исследованием и использованием найденных решений и снижает число ситуаций, когда стратегия вообще не совершает сделок. В результате полученные эвристики стабильно превосходят исходные инструкции, созданные человеком.
Ключевые факты
В работе представлен AlgoEvolve, LLM‑driven эволюционный фреймворк, который генерирует, оценивает и итеративно улучшает исполняемые торговые стратегии.
Торговые стратегии в AlgoEvolve выражаются в виде Python‑кода и проверяются с помощью строгого протокола тестирования.
Система использует мета‑эволюционный внешний цикл, который эволюционирует промпты, управляющие синтезом программ во внутреннем цикле.
Обнаруженные внешним циклом эвристики поиска балансируют exploration и exploitation, уменьшают zero‑trade failures и стабильно превосходят исходные инструкции, созданные человеком.