لقد خلق تطور نماذج اللغة الكبيرة (LLM) فرصًا ثورية في صناعة التمويل، لا سيما في مجال التداول المالي. ومع ذلك، يبقى دمج نماذج اللغة الكبيرة مع أنظمة التداول تحديًا. لحل هذه المشكلة، يقترح هذا البحث عملية ذكية للتعرف على أوامر التداول قادرة على تحويل أوامر التداول إلى صيغة قياسية أثناء تنفيذ التداول. يعزز هذا النظام تفاعل المتداولين اليدويين مع منصات التداول، ويعالج أيضًا تحيزات الحصول على المعلومات أثناء تنفيذ التداول. بالإضافة إلى ذلك، تم بناء مجموعة بيانات للأوامر التداولية تضم 500 مدخلة لمحاكاة سيناريوهات التداول الحقيقية. وباستخدام هذه المجموعة، تم إجراء تجارب على خمسة من أكثر نماذج اللغة الكبيرة تقدمًا، وتصميم عدة مؤشرات تقييم لتقييم موثوقية المجموعة وقدرة النماذج الكبيرة على التوليد في المجال المالي بشكل شامل. أظهرت النتائج أن معظم النماذج قادرة على توليد صياغة صحيحة نحويًا لتمثيلات جافاسكربت للكائنات (JSON) بدقة عالية تقريبًا بين 80% و99%، وطرحت أسئلة توضيحية استباقية في أغلب الحالات غير المكتملة (حوالي 90% إلى 100%). ومع ذلك، لا تزال الدقة من البداية إلى النهاية منخفضة نسبيًا (حوالي 6% إلى 14%)، وهناك نقص ملحوظ في المعلومات (حوالي 12% إلى 66%). بالإضافة إلى ذلك، تميل النماذج إلى الإفراط في الاستفسار — حوالي 70% إلى 80% من الاستفسارات اللاحقة غير ضرورية، مما يزيد من تكاليف التفاعل ويثير مخاطر محتملة لتسريب المعلومات. تؤكد الدراسة أيضًا جدوى دمج هذه العملية مع أنظمة التداول الحقيقية، مما يضع أساسًا لنشر حلول التداول الآلي المبنية على نماذج اللغة الكبيرة.

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