AlgoEvolve：基於LLM的算法交易程序元進化
AlgoEvolve是一個利用大語言模型（LLM）驅動進化框架，用於生成、評估和迭代改進可執行的交易策略。該系統在多個實驗中展現出自適應市場狀態的策略邏輯，並引入元進化外層循環以優化提示，從而平衡探索與利用，減少零交易失敗。結果表明，基於LLM的語義進化為複雜環境中的持續程序合成提供了一種可行方法。
研究人員提出了一種名為AlgoEvolve的新型框架，利用大語言模型（LLM）作為語義變異算子，通過進化算法自動生成和優化算法交易策略。該研究發表於arXiv，由Dhruv Sharma和Gautam Shroff共同完成。與傳統專注於靜態編碼基準的LLM進化應用不同，AlgoEvolve專門針對算法交易這一具有挑戰性的領域。金融市場具有噪聲大、非平穩且高度不連續的特點，這使得策略的自動發現極為困難。AlgoEvolve將交易策略表示為Python代碼，並通過嚴格的測試協議進行評估，從而實現了策略的迭代改進。在多組實驗中，該系統展示了新興的市場自適應能力：交易策略能夠根據市場條件的變化自主調整規則。例如，在牛市和熊市之間自動切換交易邏輯，而無需人工干預。這種自適應性是通過LLM驅動的變異和選擇過程自然湧現的。研究的核心創新在於引入了元進化外層循環。該循環優化了內層循環中用於程序合成的提示（prompts），從而自動發現更好的搜索啓發式。這些啓發式在探索與利用之間取得了更好的平衡，顯著減少了零交易失敗的情況（即策略未執行任何交易）。實驗結果顯示，元進化發現的提示持續優於初始的人工設計指令。研究團隊總結道，基於LLM的語義進化為在複雜環境中進行持續程序合成提供了一種可行且有效的途徑。這項工作不僅拓展了LLM在自動化編程中的應用邊界，也為金融領域的智能交易系統開闢了新的可能性。AlgoEvolve的提出標誌着LLM在金融科技領域的重要突破，其元進化機制為自動策略發現提供了新範式。