لقد خلق تطور نماذج اللغة الكبيرة (LLM) فرصًا ثورية في القطاع المالي، لا سيما في مجال التداول المالي. ومع ذلك، يبقى دمج نماذج LLM مع أنظمة التداول تحديًا. لحل هذه المشكلة، تقترح هذه المقالة عملية ذكية للتعرف على أوامر التداول، والتي تستطيع تحويل أوامر التداول إلى صيغة معيارية خلال تنفيذ العمليات. يعزز هذا النظام تفاعل المتداولين اليدويين مع منصات التداول، وفي الوقت نفسه يعالج تحيزات الحصول على المعلومات أثناء تنفيذ التداول. بالإضافة إلى ذلك، تم بناء مجموعة بيانات تشمل 500 أمر تداول لمحاكاة سيناريوهات التداول الحقيقية. من خلال اختبار خمسة من أحدث نماذج LLM على هذه المجموعة، وتصميم مؤشرات تقييم متعددة، تم تقييم موثوقية مجموعة البيانات وقدرة النماذج الكبيرة على التوليد في المجال المالي بشكل شامل. أظهرت نتائج التجارب أن معظم النماذج يمكنها توليد تمثيلات جيسون (JSON) صحيحة نحويًا بدقة عالية تتراوح بين 80% و99%، وفي ما يقارب جميع الحالات الناقصة (حوالي 90%–100%) طرحت أسئلة توضيحية استباقية. إلا أن دقة النموذج الشاملة ما زالت منخفضة نسبياً (حوالي 6%–14%)، مع وجود مشكلات ملحوظة في نقص المعلومات (حوالي 12%–66%). علاوة على ذلك، تميل النماذج إلى الاستفهام المفرط — مع 70%–80% من الاستفسارات اللاحقة غير الضرورية، ما يزيد من تكلفة التفاعل ويحمل مخاطر تسرب المعلومات المحتملة. كما يؤكد البحث إمكانية دمج هذه العملية مع أنظمة التداول الحقيقية، مما يؤسس لنشر حلول أتمتة التداول القائمة على نماذج LLM على أرض الواقع.

نماذج اللغة الكبيرة;تعليمات مالية;تقييم;بناء مجموعة بيانات