**QuantCode:通过持续预训练与SFT提升LLM生成可执行量化交易代码的能力**

_QuantCode Model: Specializing Language Models for Executable Algorithmic Trading Code_

> 该研究提出QuantCode模型,旨在将大语言模型特化为生成可执行的算法交易代码。通过针对Backtrader框架的持续预训练和基于代理验证数据的监督微调(SFT),模型在QuantCode-Bench基准上表现显著提升。实验显示,SFT使Qwen3.6-35B-A3B的Judge Pass率达到58.2%,回测成功率达83.5%,并大幅提高了多轮代理评估中的最终成功率。研究还指出,领域特化可能导致结构化工具调用能力退化,需通过针对性恢复训练来平衡通用能力与专业性能。

**来源信息**
- **来源**:HuggingFace Daily Papers(社区热门论文)
- **分类**:论文
- **发布时间**:2026-10-06 08:00(北京时间)
- **原文**:[打开原文](https://huggingface.co/papers/2609.39420)