Hugging Face发布QuantCode Model：专注文本生成可执行算法交易代码

摘要：Hugging Face推出了一款名为QuantCode Model的专用语言模型，旨在解决将自然语言策略规范转化为可执行的算法交易代码的难题。该模型通过在算法交易框架代码上的持续预训练，以及在经过代理验证的请求-代码对上的监督微调（SFT），显著提升了在Backtrader策略生成任务中的表现。实验结果表明，QuantCode Model在单轮和长程任务中的成功率均有大幅提升，尤其在复杂场景下表现出色，为算法交易领域提供了更高效、更可靠的解决方案。

---

核心突破

Hugging Face推出的QuantCode Model专注于解决将自然语言策略规范转化为可执行的算法交易代码的难题。该模型采用两种互补的技术机制：

1. 持续预训练：在算法交易框架代码上进行持续预训练，以增强模型对交易领域特定语法的理解。
2. 监督微调（SFT）：在经过代理验证的请求-代码对上进行监督微调，以提升模型生成符合需求的代码的能力。

技术亮点

• QuantCode-Bench基准测试：该模型在包含400个任务的Backtrader策略生成基准测试中表现优异，单轮Judge Pass率从41.5%提升至47.5%（Qwen3.5-397B-A17B）和从27.8%提升至33.0%（Qwen3.6-35B-A3B）。
• 代理评估：在代理评估中，QuantCode Model在首轮成功率和最终成功率方面均有显著提升，分别从22.3%提升至58.3%和从47.5%提升至79.5%。
• 能力保留：研究还发现，持续预训练虽然提升了首轮成功率，但会降低修复后的最终成功率，而SFT则能同时提升两者。

行业影响

QuantCode Model的发布标志着算法交易领域的一个重要里程碑。通过将自然语言转化为可执行的交易代码，该模型能够大幅提升交易策略的开发和执行效率，尤其在复杂和动态的市场环境中展现出巨大潜力。此外，该模型的发布也为AI在金融领域的应用提供了新的思路和技术路径。

开发者建议

• 领域适应：开发者可以利用QuantCode Model的持续预训练机制，针对特定交易框架进行进一步优化，以提升模型在特定领域的性能。
• 微调策略：建议在应用SFT时，结合代理验证机制，以确保生成的代码符合预期的逻辑和需求。
• 能力保留评估：在模型微调过程中，应定期进行能力保留评估，以避免在提升特定能力时牺牲其他重要能力。

---

消息来源：Hugging Face Daily Papers (2026-09-30)

—— 完 ——

主题标签： #Hugging Face 关注 #大语言模型 关注 #算法交易 关注 #QuantCode 关注 #监督微调 关注