AlgoEvolve：LLM駆動のアルゴリズム取引プログラムのメタ進化
AlgoEvolveは、大規模言語モデル（LLM）を進化的枠組みに活用し、実行可能な取引戦略を生成、評価、反復的に改善するシステムです。複数の実験を通じて、システムは市場状態に適応する戦略ロジックを創発的に示し、プロンプトを進化させるメタ進化的外側ループを導入します。結果は、LLMベースの意味的進化が複雑な環境での継続的なプログラム合成に有効なアプローチであることを示しています。
研究者らは、AlgoEvolveと呼ばれる新しいフレームワークを提案しました。これは、大規模言語モデル（LLM）を意味的突然変異演算子として利用し、進化的アルゴリズムによってアルゴリズム取引戦略を自動生成・最適化するものです。この研究はarXivで公開され、Dhruv Sharma氏とGautam Shroff氏によって共同執筆されました。静的なコーディングベンチマークに焦点を当てた従来のLLM進化アプリケーションとは異なり、AlgoEvolveは特にアルゴリズム取引という難しい領域を対象としています。金融市場はノイズが多く、非定常で、高い不連続性を持つため、戦略の自動発見は極めて困難です。AlgoEvolveは取引戦略をPythonコードとして表現し、厳格なテストプロトコルで評価することで、戦略の反復的な改善を実現します。複数の実験において、このシステムは市場への適応能力を示しました。取引戦略は市場環境の変化に応じて自律的にルールを調整し、例えば強気相場と弱気相場の間で取引ロジックを自動的に切り替えます。この適応性は、LLM駆動の突然変異と選択プロセスから創発的に生じます。研究の核心は、メタ進化的外側ループの導入にあります。このループは、内側ループにおけるプログラム合成のためのプロンプトを進化させ、より優れた探索ヒューリスティックを自動的に発見します。これらのヒューリスティックは探査と活用のバランスを改善し、ゼロ取引失敗（戦略が取引を実行しない状態）を大幅に削減します。実験結果では、メタ進化によって発見されたプロンプトが、初期の人間設計の指示を一貫して上回ることが示されました。研究チームは、LLMベースの意味的進化が、複雑な環境における継続的なプログラム合成への実行可能かつ効果的なアプローチを提供すると結論付けています。この研究は、LLMの自動プログラミング適用範囲を拡大するだけでなく、金融分野におけるインテリジェント取引システムの新たな可能性を開くものです。