論文の概要: QuantCode Model: Specializing Language Models for Executable Algorithmic Trading Code

• arxiv url: http://arxiv.org/abs/2609.39420v1
• Date: Wed, 30 Sep 2026 10:01:21 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-01 18:57:27.565769
• Title: QuantCode Model: Specializing Language Models for Executable Algorithmic Trading Code
• Title（参考訳）: QuantCode Model: Executable Algorithmic Trading Codeのための言語モデル
• Abstract要約: 大規模言語モデルは強力な汎用コードジェネレータであるが、実行可能アルゴリズムトレーディングは依然として要求の高い特殊化対象である。 本稿では,この設定のための言語モデルを専門化するための2つの補完メカニズムについて検討する。
• 参考スコア（独自算出の注目度）: 0.054619385369457214
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Large language models are strong general-purpose code generators, but executable algorithmic trading remains a demanding specialization target: a model must translate a natural-language strategy specification into correct program logic for a specialized trading framework, execute on historical data, produce trades, and remain semantically faithful to the request. We study two complementary mechanisms for specializing language models for this setting: continued pretraining on algorithmic-trading framework code and supervised fine-tuning (SFT) on agent-validated request-to-code pairs. Evaluation is centered on QuantCode-Bench, our 400-task benchmark for Backtrader strategy generation, together with a repository-level SWE-bench-like track. Continued pretraining improves single-turn Judge Pass from 41.5% to 47.5% for Qwen3.5-397B-A17B and from 27.8% to 33.0% for Qwen3.6-35B-A3B. SFT applied after continued pretraining yields a larger gain for Qwen3.6-35B-A3B, reaching 58.2% Judge Pass and 83.5% successful backtests; in agentic evaluation it raises first-turn success from 22.3% to 58.3% and final success after up to 10 turns from 47.5% to 79.5%. Continued pretraining alone improves first-turn agentic success but lowers final success after repair from 47.5% to 32.5%, consistent with degraded instruction following, whereas SFT improves both. We also identify a capability-retention failure: domain specialization degrades parser-conformant structured tool calling, and targeted recovery SFT restores tool-call formatting but not the base checkpoint's repository-level agent performance. The results show that framework-oriented pretraining, validated SFT, and explicit capability-retention evaluation address distinct failure modes in domain-specific executable code generation.
• Abstract（参考訳）: 大規模言語モデルは強力な汎用コードジェネレータであるが、実行可能なアルゴリズムトレーディングは依然として要求の厳しい特殊化ターゲットであり、モデルは自然言語戦略仕様を特別なトレーディングフレームワークのための正しいプログラムロジックに変換し、歴史的なデータを実行し、取引を生成し、要求に意味論的に忠実でいなければならない。 本稿では,この設定のための言語モデルを専門化するための2つの補完メカニズムについて検討する。 評価は、Backtrader戦略生成のための400タスクのベンチマークであるQuantCode-Benchと、リポジトリレベルのSWE-benchライクなトラックを中心に行われています。 Qwen3.5-397B-A17Bは41.5%から47.5%に、Qwen3.6-35B-A3Bは27.8%から33.0%に改善されている。 SFTはQwen3.6-35B-A3Bを大きく上昇させ、58.2%の審査パスと83.5%の成功裏試験に到達し、エージェント評価では22.3%から58.3%に上昇し、10位が47.5%から79.5%に上昇した。 事前訓練のみは初回エージェントの成功を改善するが、修理後の最終成功率は47.5%から32.5%に低下する。 ドメインの特殊化は、パーサコンフォーマントな構造化ツール呼び出しを劣化させ、ターゲットリカバリSFTは、ツールコールのフォーマットを復元するが、ベースチェックポイントのリポジトリレベルのエージェントのパフォーマンスは改善しない。 その結果、フレームワーク指向の事前学習、検証されたSFT、明示的な機能保持評価は、ドメイン固有の実行可能コード生成において異なる障害モードに対処することを示した。

関連論文リスト

• FailForge: Distilling Procedural Competence from Persistent Failures into Code Agents [49.519184792774304]
  FailForgeは、失敗したロールアウトをトレーニングシグナルに変換するエージェントフレームワークである。 FailForgeは、これまで失敗したインスタンスの26%を、限界的な追加コストでリカバリする。
  論文  参考訳（メタデータ） (2026-08-09T08:22:57Z)
• Converted, Not Equivalent: Benchmarking Codebase Conversion via Observational Equivalence [56.25095230687242]
  コーディングエージェントは、しばしば自身のローカル検証ルーチンを過度に信頼し、表面チェックを満たすアーティファクトの成功を宣言する。 この問題は、事前評価が結果駆動である変換において特に深刻である。 ブラインド・コンバージョンは26.7-28.9%に達し、スペック・パスレートは91.1%まで上昇した。 このことは、失敗は限られた予算やバックボーンの強さよりも、契約ミスによる自己検証に起因していることを示唆している。
  論文  参考訳（メタデータ） (2026-05-27T19:57:15Z)
• Orchard: An Open-Source Agentic Modeling Framework [124.68499958175111]
  スケーラブルなエージェントモデリングのためのオープンソースのフレームワークOrchardを紹介します。 Orchard Envは、サンドボックスライフサイクル管理のための再利用可能なプリミティブを提供する軽量環境サービスである。 Orchard Envの上に、3つのエージェントモデリングレシピを構築します。
  論文  参考訳（メタデータ） (2026-05-14T16:35:12Z)
• BoostAPR: Boosting Automated Program Repair via Execution-Grounded Reinforcement Learning with Dual Reward Models [9.519307176717094]
  プログラム修復のための強化学習は、スパース実行フィードバックと、どの編集がバグを実際に修正するかが不明なシーケンスレベルの報酬によって妨げられる。 これらの課題に対処する3段階のフレームワークであるBoostAPRを紹介します。
  論文  参考訳（メタデータ） (2026-05-09T19:31:02Z)
• Foundational Automatic Evaluators: Scaling Multi-Task Generative Evaluator Training for Reasoning-Centric Domains [97.5573252172065]
  自動推論評価器(FARE)のファミリーを,簡易な反復的リジェクションサンプリング制御による微調整手法で訓練する。 FARE-8Bはより大型のRL訓練評価器に挑戦し、FARE-20Bはオープンソース評価器の新しい標準となる。 推論時リランカとして、FARE-20BはMATH上でのニアオークル性能を達成する。
  論文  参考訳（メタデータ） (2025-10-20T17:52:06Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。