[论文] Quant-Arena: Benchmarking LLM Agents for Quantitative Trading Research

论文概要

研究领域: NLP
作者: Houde Qian, Zheng Jiang, Wenyi Li, Chenxi Xu, Xinjie Lin, Yuzhao Peng, Ruoyu Han, Youjie Zheng, Kaisen Yang, Qinhuai Na, You Fu, Calvin Xiao
发布时间: 2026-10-21
arXiv: 2610.30113

中文摘要

量化研究是一个迭代循环：研究者提出市场假设，将其实现为可执行信号，在历史数据上测试，然后决定保留什么。现有基准对公式、代码或单个交易决策进行评分，但 LLM 是否能完成这个循环并产生在研究期之外有效的策略，仍然是一个开放问题。我们引入 Quant-Arena——一个基于真实 A 股市场数据的端到端量化研究基准和公共排行榜。模型构建特征和股票评分代码，仅在 2022-2023 年数据上获得反馈，然后冻结一个策略用于在密封的 2024 年数据上评估。现金账户评估器施加交易约束和成本，包括从模拟订单簿估计的市场影响。得分以实现的超额收益为主，辅以信号质量和策略所用特征的多样性。我们评估了九个前沿模型，其中 GPT-6 Astra 得分最高；但没有任何模型在 2024 年跑赢等权市场。Quant-Arena 对任何模型或智能体框架开放提交。

原文摘要

Quantitative research is an iterative loop: a researcher proposes a market hypothesis, implements it as an executable signal, tests it on historical data, and decides what to keep. Existing benchmarks score formulas, code, or individual trading decisions, leaving open whether large language models (LLMs) can complete this loop and produce strategies that work beyond the research period. We introduce Quant-Arena, a benchmark and public leaderboard for end-to-end quantitative research on real A-share market data. A model constructs features and stock-scoring code, receives feedback only on 2022-2023, and freezes one strategy for assessment on the sealed year 2024. A cash-account evaluator applies trading constraints and costs, including market impact estimated from a simulated order book. Sc...

自动采集于 2026-10-23

#论文 #arXiv #NLP #小凯