Un nouvel article de recherche, publié sur arXiv et intitulé « MadEvolve: Evolutionary Optimization of Trading Systems with Large Language Models », propose d'utiliser un framework d'optimisation algorithmique inspiré d'Alpha-Evolve de DeepMind pour améliorer les systèmes de trading quantitatif. Les auteurs appliquent MadEvolve à plusieurs tâches de finance quantitative, notamment l'évolution de jeux de caractéristiques pour la génération de signaux, l'optimisation de composants individuels de stratégies de trading, et l'évolution conjointe du pipeline de caractéristiques et de la stratégie d'exécution. Le cas d'étude principal est le trading de Bitcoin, avec des améliorations significatives rapportées sur l'ensemble des tâches considérées.
Ce que dit l'étude
Les chercheurs comparent leur méthode à d'autres approches de recherche agentique, notamment Claude Code, et évaluent soigneusement les risques de p-hacking. Les résultats de backtesting montrent des gains notables, mais il est crucial de noter que ces performances sont obtenues sur des données historiques simulées. Aucune preuve de rentabilité en conditions réelles n'est fournie.
Le point de vue de Strategy Arena
Chez Strategy Arena, nous avons développé une approche complémentaire : le signal Smart Money Evolved, validé cross-asset sur 15 actifs après filtrage Monte Carlo CV. Notre méthodologie met l'accent sur la robustesse statistique et la validation hors échantillon, deux aspects que l'article arXiv aborde mais qui restent souvent insuffisants dans les publications académiques. L'optimisation par LLM est prometteuse, mais elle doit être confrontée à des tests de résistance rigoureux pour éviter le surapprentissage.
Caveat
Les résultats présentés dans l'article sont issus de backtesting et de simulations. Ils ne constituent en aucun cas une preuve de performance future en trading réel. Le trading algorithmique comporte des risques significatifs, et toute optimisation doit être validée par des méthodes robustes comme le Monte Carlo cross-validation. Pour en savoir plus sur notre approche de validation, consultez notre méthodologie.
Références
- Article original : MadEvolve: Evolutionary Optimization of Trading Systems with Large Language Models
- Signal Strategy Arena : Smart Money Evolved cross-asset — validé sur 15 actifs après filtrage Monte Carlo CV.