Can Large Language Models Execute Parent Orders?
PACE (Plan-Ahead Controlled Execution) 是一个用于父订单执行的层次化框架，将父订单执行分解为长期规划和短期执行，无需显式市场假设或任务特定训练。在深圳证券交易所 Level-1 数据上的实验表明，PACE 优于 TWAP、Almgren-Chriss 和基于学习的基线，超过最强基线 0.65 个基点。行为分析显示，LLM 的决策方式与人类投资者不同：更高的模型置信度预测更好的表现，且模型更早交易。
发展脉络
- 首次出现Can Large Language Models Execute Parent Orders?arXiv cs.CL
- 当前判断该研究将 LLM 的应用从交易信号生成扩展到执行层面，可能改变算法交易系统的设计。传统执行算法依赖市场假设或任务特定训练，而 PACE 无需这些，可能降低部署成本并提高适应性。这可能导致更多金融机构探索 LLM 在执行优化中的应用，但需注意实验基于单一交易所数据，泛化性待验证。Agent Pulse · 分析
该论文首次系统研究了大语言模型（LLM）在父订单执行中的应用，将 LLM 在金融中的使用从“交易什么”扩展到“如何执行”。作者提出 PACE 框架，将父订单执行分解为长期规划和短期执行，无需显式市场假设或任务特定训练。在深圳证券交易所 Level-1 数据上的实验表明，PACE 优于 TWAP、Almgren-Chriss 和基于学习的基线，超过最强基线 0.65 个基点。行为分析显示，LLM 的决策方式与人类投资者不同：更高的模型置信度预测更好的表现，且模型更早交易。
PACE 框架将父订单执行分解为长期规划和短期执行，这类似于分层强化学习中的抽象，可能使 LLM 能够处理更长时间跨度的决策。实验显示 PACE 在真实市场数据上优于传统算法，表明 LLM 能够隐式学习市场微观结构。行为分析中，模型置信度与表现正相关，这与人类投资者中常见的过度自信导致更差回报的现象相反，暗示 LLM 的置信度校准可能更优。
该研究将 LLM 的应用从交易信号生成扩展到执行层面，可能改变算法交易系统的设计。传统执行算法依赖市场假设或任务特定训练，而 PACE 无需这些，可能降低部署成本并提高适应性。这可能导致更多金融机构探索 LLM 在执行优化中的应用，但需注意实验基于单一交易所数据，泛化性待验证。
对于量化交易公司，PACE 可能降低执行算法的开发和维护成本，因为无需针对每个市场或资产类别进行任务特定训练。其超越传统基线的表现可能带来成本节省，但需评估实际部署中的延迟和计算成本。
后续可关注 PACE 在更多市场（如美国或欧洲）数据上的验证，以及与其他执行算法的对比。此外，LLM 在实时交易中的延迟和成本是否可控，以及监管对 LLM 交易决策的接受度，都是潜在的研究方向。