简介：一句自然语言描述的交易策略，AI能否写出真正可运行、可交易且语义一致的代码？本文剖析“能跑”与“跑对”之间的鸿沟，介绍四层递进式合格判定标准，并对比继续预训练与监督微调两条训练路径的差异与效果，帮助开发者理解策略代码生成的难点与优化方向。
讨论AI辅助编程时，泛泛而谈“AI会写代码”并没有太大意义。真正有价值的问题应当被精确表述为：给定一句自然语言描述的交易策略，模型能否生成一段真正可运行、能产生交易、并且与描述语义一致的程序？
这个问题听起来简单，做起来却完全是另一回事。它把一个模糊的能力问题，转化成了一个可度量、可验证的工程问题。而正是在这个精确化的过程中，难点才逐一暴露出来。
先陈述一个可能颠覆直觉的事实：一段语法完全正确、能顺利执行的代码，依然可能是废的。
一种典型情形是，程序从头到尾一笔交易都没有产生，因为买卖触发条件写反了；另一种情形是，程序做了一堆交易，但执行的策略根本不是用户想要的——用户说的是“均线金叉买入”，模型却写成了“均线死叉买入”。程序照样顺畅运行，逻辑却完全相反，而且从运行结果上未必能一眼看出。
这正是算法交易代码生成的特殊难点。它与常见的脚本类代码生成任务有本质区别：写一个数据抓取脚本，跑出结果对不对，往往一眼可辨；而交易策略代码的错误常常隐藏在语义层面，语法检查和运行成功都无法捕获。
以业界常见的Python量化回测框架为例，要让模型写出合格的策略代码，它必须同时理解多个层次：
其中任何一个环节出错，整个策略就名存实亡。代码还在跑，策略已经死了。
为了把“写对策略”这件事变成可评测的问题，研究者构建了专门的评测基准，包含数百个交易策略的文字描述任务。在这个基准下，一段代码要被认定为“合格”，必须依次闯过四关：
这四关构成了一个递进漏斗：前一关是后一关的必要条件，但远非充分条件。尤其值得注意的是第三关和第四关——它们分别对应“能交易”和“交易对”，恰恰是前文所述核心矛盾的直接体现。一个模型可能轻松通过前两关，却在后两关大量折戟。
明确评测标准之后，接下来的问题自然是：能否通过专门的训练，让模型在这四关上同时变强？研究者尝试了两条路径——继续预训练与监督微调。二者听起来都是“训练模型”，但做的事情截然不同。
继续预训练的做法是：在模型完成基础训练之后，再用某个特定领域的大量文本或代码继续训练它，使模型对该领域更熟悉。这个过程不涉及具体的任务指令，模型只是单纯地学习“预测下一个词”，相当于持续阅读领域内容。
在数据构建上，研究者从公开代码托管平台收集了大量与算法交易相关的仓库代码，通过关键词筛选出涉及交易框架、技术指标、市场数据的项目，再按关注度和更新时间过滤掉不活跃仓库，最后用去重算法清理大量分叉项目和雷同模板，最终积累了约五十到六十亿token的语料规模。
这个思路可以用一个类比来理解：想让一个刚入职的新员工尽快熟悉公司，与其直接布置任务让他边做边学，不如先让他把过去三年的项目文档和内部代码库通读一遍。继续预训练做的就是这件事——不教具体任务，只让模型沉浸在领域语料中，建立对领域表达方式和代码模式的直觉。
监督微调走的是另一条路：用“用户描述—正确代码”的配对数据直接训练模型，让它学会在给定策略描述时输出符合要求的实现。与继续预训练相比，它更贴近最终任务形态，信号更直接，但也更依赖高质量配对数据的规模与覆盖度。
两条路径各有侧重：继续预训练扩展的是领域知识的广度与语料的规模，监督微调打磨的是任务对齐的精度。研究中一个值得关注的发现是，二者并非简单的替代关系——领域语料的持续预训练能为后续的任务对齐提供更好的起点，而单纯依赖配对微调在数据有限时容易过拟合到表面模式。
综合来看，交易策略代码生成的难度可以从三个层面理解：
第一，验证成本高。 通用代码的正确性往往可以通过输入输出快速验证，而策略代码的正确性需要放在回测环境中、结合历史数据、经过多轮语义比对才能确认。验证链条越长，模型迭代的成本越高。
第二，语义鸿沟深。 自然语言中的“金叉买入”包含指标定义、比较方向、触发时机等隐含约定，模型必须把这些约定准确映射到代码结构上。任何一处映射偏差都不会导致报错，只会导致策略 silently 失效。
第三，框架约束多。 回测框架有自己的生命周期和数据流约定，策略逻辑必须嵌入这套约定之中。模型不仅要懂策略，还要懂框架，二者缺一不可。
这也解释了为什么“能跑赢市场”的前提，其实是“能跑对逻辑”。在策略代码生成这件事上，可运行性只是入场券，语义一致性才是真正的门槛。对于希望借助AI提升策略开发效率的团队而言，建立分层验证流程——先保证语法与执行，再校验交易行为，最后做语义复核——比单纯追求生成速度更有实际价值。