Zespół badawczy zaprezentował AlgoEvolve - system który pozwala dużym modelom języka automatycznie odkrywać i ulepszać strategie handlowania akcjami. W przeciwieństwie do poprzednich zastosowań modeli LLM skoncentrowanych na statycznych benchmarkach kodowania, nowe podejście mierzy się z rzeczywistymi wyzwaniami handlu algorytmicznego - szumem, niestacjonarnością i wysoką nieciągłością danych rynkowych.
AlgoEvolve działa na zasadzie ewolucyjnej: generyje strategie handlowe jako kod Python, testuje je poprzez rygorystyczne protokoły weryfikacji, a następnie iteracyjnie ulepsza na bazie wyników. System wykazuje zdolność do autonomicznego dostosowania reguł handlowania do zmieniających się warunków rynkowych - czyli tzw. emergentną logikę reagowania na reżimy. Szczególnie ciekawe jest to, że strategie uczy się dostosowywać dynamicznie bez jawnego programowania takich przełączeń.
Nowatorski element stanowi meta-ewolucyjny mechanizm zewnętrzny, który uczy się optymalizować same instrukcje (prompty) sterujące syntezą programów w głównym algorytmie. Odkryte heurystyki lepiej równoważą eksplorację i eksploatację, jednocześnie redukując przypadki, w których system nie wykonuje żadnych transakcji. Rezultaty konsekwentnie przewyższają instrukcje zaprojektowane ręcznie przez ludzi, co sugeruje, że ewolucja semantyczna oparta na modelach LLM stanowi realistyczne podejście do ciągłej syntezy programów w złożonych środowiskach.