Die Entwicklung großer Sprachmodelle (LLM) hat revolutionäre Chancen für die Finanzbranche geschaffen, insbesondere im Bereich des Finanzhandels. Die Integration von LLM in Handelssysteme stellt jedoch eine Herausforderung dar. Zur Lösung dieses Problems schlägt dieser Artikel einen intelligenten Prozess zur Erkennung von Handelsaufträgen vor, der Handelsaufträge während der Ausführung in ein Standardformat umwandeln kann. Das System verbessert die Interaktion zwischen menschlichen Händlern und Handelsplattformen und löst gleichzeitig Informationsbeschaffungs-Bias während der Handelsausführung. Darüber hinaus wurde ein Datensatz mit 500 Handelsaufträgen zur Simulation realer Handelsszenarien erstellt. Auf diesem Datensatz wurden Experimente mit fünf der fortschrittlichsten LLM durchgeführt, und es wurden mehrere Bewertungsmetriken entwickelt, um die Zuverlässigkeit des Datensatzes sowie die Generierungsfähigkeit großer Modelle im Finanzbereich umfassend zu bewerten. Die Experimentergebnisse zeigen, dass die meisten Modelle in der Lage sind, syntaktisch korrekte JavaScript-Objektnotationen (JSON) mit hoher Genauigkeit (~80%–99%) zu generieren und in nahezu allen (~90%–100%) unvollständigen Fällen proaktiv klärende Fragen zu stellen. Dennoch bleibt die End-to-End-Genauigkeit niedrig (~6%–14%), und es bestehen erhebliche Informationsverluste (~12%–66%). Außerdem neigen die Modelle zu übermäßigen Nachfragen — etwa 70%–80% der nachfolgenden Anfragen sind unnötig, was die Interaktionskosten erhöht und potenzielle Informationslecks birgt. Die Studie bestätigt zudem die Machbarkeit der Integration dieses Prozesses mit realen Handelssystemen und legt damit die Grundlage für die praktische Umsetzung von auf LLM basierenden automatisierten Handelssystemen.

große Sprachmodelle;finanzielle Anweisungen;Bewertung;Datensatzaufbau