Continuous Program Search

arXiv:2602.07659v1 Announce Type: new Abstract: Genetic Programming は解釈可能なプログラムを生み出すものの、微小的な構文変異が大きな予測不能な行動変化を引き起こし、局所性とサンプル効性を低下させることがある。我々はこれを演算子設計の問題として捉え、潜在空間における距離が行動の意味を持つように連続的なプログラム空間を学習させ、その構造を活用しつつ進化最適化器を変更せずに変異演算子を設計する方法を示す。 私たちは、制御された潜在摂動における行動レベルの散開を追跡することで、局所性を計測し、行動に局所的な連続的な変化の経験的な信頼域を特定する。4 つの構成要素（長期/短期的なエントリーとエグジット）を持つコンパクトなトレーディング戦略 DSL を用い、マッチングブロックファクタライズされた埋め込みを学習するとともに、潜在空間全体に対する等方性ガウス変異と、学習されたフローベースモデル（ログされた変異結果を訓練）を使って半義的にペアされたエントリー・エグジット部分空間に制限した幾何学的にコンパイルされた変異を比較する。 5 つの資産で同一の $(\mu+\lambda)$ 進化戦略と固定された評価予算において、学習された変異演算子は評価回数を桁違いに削減しながら強力な戦略を発見し、最も高いサンプル外シャープ比を達成する。等方性変異が偶に最高パフォーマンスを達成する一方で、幾何学的にコンパイルされた変異により更かつ確実な進捗が得られ、それは構義的に整合した変異が進化アルゴリズムを変更することなしに大幅に検索効率を向上させることを示している。

arXiv:2602.07659v1 Announce Type: new Abstract: Genetic Programming yields interpretable programs, but small syntactic mutations can induce large, unpredictable behavioral shifts, degrading locality and sample efficiency. We frame this as an operator-design problem: learn a continuous program space where latent distance has behavioral meaning, then design mutation operators that exploit this structure without changing the evolutionary optimizer. We make locality measurable by tracking action-level divergence under controlled latent perturbations, identifying an empirical trust region for behavior-local continuous variation. Using a compact trading-strategy DSL with four semantic components (long/short entry and exit), we learn a matching block-factorized embedding and compare isotropic Gaussian mutation over the full latent space to geometry-compiled mutation that restricts updates to semantically paired entry--exit subspaces and proposes directions using a learned flow-based model trained on logged mutation outcomes. Under identical $(\mu+\lambda)$ evolution strategies and fixed evaluation budgets across five assets, the learned mutation operator discovers strong strategies using an order of magnitude fewer evaluations and achieves the highest median out-of-sample Sharpe ratio. Although isotropic mutation occasionally attains higher peak performance, geometry-compiled mutation yields faster, more reliable progress, demonstrating that semantically aligned mutation can substantially improve search efficiency without modifying the underlying evolutionary algorithm.