AlgoEvolve 是 Dhruv Sharma 与 Gautam Shroff 提出的一种由大型语言模型驱动的进化式框架，用于在算法交易领域自动生成、评估并迭代改进可执行的交易策略。该论文于 2026 年 6 月 24 日提交至 arXiv，编号为 2606.26173，归类于人工智能（cs.AI）方向。研究的出发点在于：近期已有工作表明，大型语言模型可以作为“语义变异算子”，用于程序与证明的进化式发现；但现有应用大多集中在静态的编程基准测试上。作者将这一范式拓展到算法交易这一更具挑战性的场景。
论文指出，算法交易之所以独特而困难，是因为该领域具有噪声大、非平稳以及高度不连续的特征。传统的进化方法在这种环境下容易失效，而基于语言模型的语义变异则可能提供更灵活的搜索能力。为此，AlgoEvolve 将交易策略表达为 Python 代码，并通过一套严格的测试协议对策略进行评估，从而在生成与筛选之间形成闭环。系统能够生成初始策略，对其进行评测，再依据评估结果迭代改进，逐步逼近更优的交易逻辑。
在多项实验中，该系统展现出涌现式的“市场状态自适应”策略逻辑，包括自主调整交易规则。换言之，策略并非仅靠人工预设的规则运行，而是在进化过程中根据市场环境的变化自行改变其交易行为。这种自适应能力正是算法交易在非平稳市场中所需要的核心特性。
除内层的策略进化之外，作者还引入了一个“元进化”的外层循环。该外层循环并不直接进化交易策略本身，而是进化用于指导内层程序合成的提示词（prompts）。通过这种方式，系统能够发现更优的搜索启发式规则。这些启发式规则在探索与利用之间取得平衡，同时减少了“零交易失败”——即策略在回测或评估中完全不产生任何交易的情况。实验结果显示，这些由元进化得到的启发式规则始终优于初始由人类设计的指令。
作者总结认为，研究结果表明基于大型语言模型的语义进化是在复杂环境中进行持续程序合成的一条可行路径。该工作的意义在于，它不仅把语言模型驱动的进化从静态编码基准推进到动态、噪声化的真实领域，还通过元进化机制自动改进搜索过程本身，为在非平稳环境中持续生成和优化程序提供了新的思路。论文以 cs.AI 为主题分类，提供了 PDF、实验性 HTML 以及 TeX 源码等多种全文访问方式，其 DOI 由 DataCite 通过 arXiv 发放。