Die Entwicklung großer Sprachmodelle (LLM) hat im Finanzsektor revolutionäre Chancen geschaffen, insbesondere im Bereich des Finanzhandels. Dennoch stellt die Integration von LLM in Handelssysteme eine Herausforderung dar. Zur Lösung dieses Problems wird in diesem Artikel ein intelligenter Prozess zur Erkennung von Handelsaufträgen vorgeschlagen, der Handelsaufträge während der Ausführung in ein Standardformat umwandeln kann. Dieses System verbessert die Interaktion zwischen manuellen Händlern und Handelsplattformen und löst gleichzeitig Informationsbeschaffungs-Bias-Probleme während der Ausführung. Darüber hinaus wurde ein Datensatz mit 500 Handelsaufträgen erstellt, um reale Handelsszenarien zu simulieren. Durch Experimente mit fünf der fortschrittlichsten LLM auf diesem Datensatz und der Entwicklung mehrerer Bewertungsmetriken wurde die Zuverlässigkeit des Datensatzes sowie die Generierungsfähigkeit der großen Modelle im Finanzbereich umfassend bewertet. Die Experimentergebnisse zeigen, dass die meisten Modelle in der Lage sind, syntaktisch korrekte JavaScript-Objektnotationen (JSON) mit hoher Genauigkeit (etwa 80 %–99 %) zu generieren und in fast allen unvollständigen Fällen (etwa 90 %–100 %) proaktiv klärende Fragen stellen. Die End-to-End-Genauigkeit bleibt jedoch niedrig (etwa 6 %–14 %), wobei Informationsverlustprobleme signifikant sind (etwa 12 %–66 %). Zudem neigen die Modelle zu übermäßigem Nachfragen – etwa 70 %–80 % der Folgeanfragen sind unnötig, was nicht nur die Interaktionskosten erhöht, sondern auch potenzielle Informationsleckrisiken birgt. Die Studie bestätigt ebenfalls die Machbarkeit der Integration dieses Prozesses in reale Handelssysteme und legt die Grundlage für den praktischen Einsatz von LLM-basierten Handelsautomatisierungslösungen.

große Sprachmodelle;finanzielle Anweisungen;Bewertung;Datensatzaufbau