论文
AlgoEvolve：LLM驱动的算法交易程序元演化
AlgoEvolve: LLM-driven Meta-evolution of Algorithmic Trading Programs
摘要
近期工作表明大语言模型（LLM）可充当程序与证明演化发现的语义变异算子。当前多数应用聚焦静态编码基准。我们把该范式扩展到算法交易。该域挑战独特：噪声大、非平稳且高度不连续。我们提出AlgoEvolve——LLM驱动的演化框架——生成、评估并迭代改进可执行交易策略。这些策略表达为Python代码——经严格测试协议评估。跨多个实验——系统展现涌现的行情自适应策略逻辑——包括交易规则的自主转变。我们进一步引入元演化的外环——演化引导内环程序合成的提示。该外环发现改进的搜索启发式。这些启发式在平衡探索与开发的同时减少零交易失败。它们持续胜过初始人工设计指令。结果表明基于LLM的语义演化为复杂环境中的持续程序合成提供可行途径。
