AlgoEvolve：基于LLM的算法交易程序元进化
AlgoEvolve是一个利用大语言模型（LLM）驱动进化框架，用于生成、评估和迭代改进可执行的交易策略。该系统在多个实验中展现出自适应市场状态的策略逻辑，并引入元进化外层循环以优化提示，从而平衡探索与利用，减少零交易失败。结果表明，基于LLM的语义进化为复杂环境中的持续程序合成提供了一种可行方法。
研究人员提出了一种名为AlgoEvolve的新型框架，利用大语言模型（LLM）作为语义变异算子，通过进化算法自动生成和优化算法交易策略。该研究发表于arXiv，由Dhruv Sharma和Gautam Shroff共同完成。与传统专注于静态编码基准的LLM进化应用不同，AlgoEvolve专门针对算法交易这一具有挑战性的领域。金融市场具有噪声大、非平稳且高度不连续的特点，这使得策略的自动发现极为困难。AlgoEvolve将交易策略表示为Python代码，并通过严格的测试协议进行评估，从而实现了策略的迭代改进。在多组实验中，该系统展示了新兴的市场自适应能力：交易策略能够根据市场条件的变化自主调整规则。例如，在牛市和熊市之间自动切换交易逻辑，而无需人工干预。这种自适应性是通过LLM驱动的变异和选择过程自然涌现的。研究的核心创新在于引入了元进化外层循环。该循环优化了内层循环中用于程序合成的提示（prompts），从而自动发现更好的搜索启发式。这些启发式在探索与利用之间取得了更好的平衡，显著减少了零交易失败的情况（即策略未执行任何交易）。实验结果显示，元进化发现的提示持续优于初始的人工设计指令。研究团队总结道，基于LLM的语义进化为在复杂环境中进行持续程序合成提供了一种可行且有效的途径。这项工作不仅拓展了LLM在自动化编程中的应用边界，也为金融领域的智能交易系统开辟了新的可能性。AlgoEvolve的提出标志着LLM在金融科技领域的重要突破，其元进化机制为自动策略发现提供了新范式。