Le développement des grands modèles de langage (LLM) a créé des opportunités révolutionnaires dans le secteur financier, notamment dans le domaine des opérations financières. Cependant, l’intégration des LLM avec les systèmes de trading représente un défi. Pour résoudre ce problème, cet article propose un processus intelligent d’identification des ordres de trading, capable de convertir les ordres de trading en un format standard pendant l’exécution des transactions. Ce système améliore l’interaction entre les traders humains et les plateformes de trading, tout en résolvant les biais d’acquisition d’informations durant l’exécution des ordres. De plus, un ensemble de données comprenant 500 ordres de trading a été construit pour simuler des scénarios de trading réels. En expérimentant cinq des modèles LLM les plus avancés sur cet ensemble, et en concevant plusieurs indicateurs d’évaluation, la fiabilité de l’ensemble de données et la capacité des grands modèles à générer dans le domaine financier ont été évaluées de manière exhaustive. Les résultats expérimentaux montrent que la plupart des modèles sont capables de générer des notations d’objets JavaScript (JSON) syntaxiquement correctes avec une précision élevée (environ 80 %–99 %), et dans presque tous les cas incomplets (environ 90 %–100 %), ils posent proactivement des questions de clarification. Cependant, la précision de bout en bout reste faible (environ 6 %–14 %), avec une problématique importante de perte d’informations (environ 12 %–66 %). En outre, les modèles ont tendance à poser trop de questions — environ 70 %–80 % des questions de suivi sont inutiles, ce qui augmente non seulement le coût de l’interaction, mais engendre également un risque potentiel de fuite d’informations. L’étude confirme également la faisabilité de l’intégration de ce processus avec les systèmes de trading réels, jetant ainsi les bases pour le déploiement pratique de solutions d’automatisation du trading basées sur les LLM.

grands modèles de langue;instructions financières;évaluation;construction de dataset