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 aux systèmes de trading reste un défi. Pour résoudre ce problème, cet article propose un processus intelligent de reconnaissance des ordres de trading, capable de convertir les ordres 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 traitant les biais d’acquisition d’informations lors de l’exécution des transactions. De plus, un ensemble de données de 500 ordres de trading a été construit pour simuler des scénarios de trading réels. Des expériences ont été menées sur cet ensemble avec cinq des LLM les plus avancés, et plusieurs métriques d’évaluation ont été conçues pour évaluer globalement la fiabilité de l’ensemble de données et la capacité des grands modèles à générer dans le domaine financier. Les résultats montrent que la plupart des modèles peuvent générer des syntaxes correctes d’objets JavaScript (JSON) avec une précision élevée (environ 80 % à 99 %) et poser activement des questions clarificatrices dans presque tous les cas incomplets (environ 90 % à 100 %). Cependant, la précision de bout en bout reste faible (environ 6 % à 14 %), avec un problème significatif de perte d’information (environ 12 % à 66 %). De plus, les modèles ont tendance à poser trop de questions — environ 70 % à 80 % des questions supplémentaires étant inutiles, ce qui augmente les coûts d’interaction et présente un risque potentiel de fuite d’information. L’étude confirme également la faisabilité de l’intégration de ce processus avec des systèmes de trading réels, posant les bases du déploiement pratique de solutions d’automatisation des transactions basées sur les LLM.

grands modèles de langage;instructions financières;évaluation;construction de jeux de données