论文页面 - QuantCode Model：为可执行算法交易代码专门化语言模型

来源：https://huggingface.co/papers/2609.39420

摘要

大语言模型是强大的通用代码生成器，但可执行的算法交易仍是一个要求苛刻的专门化方向：模型必须将自然语言策略描述转化为适用于专用交易框架的正确程序逻辑，在历史数据上执行，产生交易结果，并在语义上忠实于用户请求。我们研究了两种互补机制，用于在这一场景下专门化语言模型：在算法交易框架代码上进行持续预训练，以及基于智能体验证的「请求到代码」配对数据进行监督微调（SFT）。评估以 QuantCode-Bench 为核心——我们针对 Backtrader 策略生成构建的包含 400 个任务的基准——并辅以一个类 SWE-bench 的仓库级测试轨道。持续预训练将 Qwen3.5-397B-A17B 的单轮 JudgePass 从 41.5% 提升至 47.5%，将 Qwen3.6-35B-A3B 从 27.8% 提升至 33.0%。在持续预训练之后应用 SFT 为 Qwen3.6-35B-A3B 带来了更大的提升，JudgePass 达到 58.2%，回测成功率达 83.5%；在智能体式评测中，它将首轮成功率从 22.3% 提升至 58.3%，并在最多 10 轮交互后将最终成功率从 47.5% 提升至 79.5%。仅进行持续预训练虽然提高了首轮智能体式成功率，却使修复后的最终成功率从 47.5% 降至 32.5%，这与指令遵循能力下降一致；而 SFT 则同时改善了两者。我们还识别出一种能力保持失效现象：领域专门化会损害符合解析器规范的结构化工具调用，针对性的恢复 SFT 能够修复工具调用的格式，但无法恢复基础检查点在仓库级智能体任务上的表现。这些结果表明，面向框架的预训练、经过验证的 SFT 以及显式的能力保持评估，各自解决了特定领域可执行代码生成中不同的失效模式。

查看 arXiv 页面 (https://arxiv.org/abs/2609.39420)　查看 PDF (https://arxiv.org/pdf/2609.39420)　添加到收藏夹 (https://huggingface.co/login?next=%2Fpapers%2F2609.39420)

在你的智能体中获取本文：

hf papers read 2609.39420

还没有最新版 CLI？curl \-LsSf https://hf\.co/cli/install\.sh \| bash

引用本文的模型 0

尚无模型关联本文

在模型 README.md 中引用 arxiv.org/abs/2609.39420，即可从此页面链接到它。

引用本文的数据集 0

尚无数据集关联本文

在数据集 README.md 中引用 arxiv.org/abs/2609.39420，即可从此页面链接到它。

引用本文的 Spaces 0

尚无 Space 关联本文

在 Space README.md 中引用 arxiv.org/abs/2609.39420，即可从此页面链接到它。

收录本文的合集 0

尚无合集收录本文

将本文添加到合集 (https://huggingface.co/new-collection)，即可从此页面链接到它。