대형 언어 모델(LLM)의 발전은 금융 산업에 혁신적인 기회를 창출했으며, 특히 금융 거래 분야에서 그렇다. 그러나 LLM을 거래 시스템과 통합하는 것은 여전히 도전 과제다. 이 문제를 해결하기 위해 본 논문에서는 거래 실행 과정에서 거래 주문을 표준 형식으로 변환할 수 있는 지능형 거래 주문 인식 프로세스를 제안한다. 이 시스템은 인간 거래자와 거래 플랫폼 간의 상호 작용 능력을 향상시키면서 거래 실행 중 정보 획득 편향 문제를 해결한다. 또한 실제 거래 시나리오를 모사하기 위해 500개의 거래 주문 데이터셋을 구축했다. 이 데이터셋에서 최신 LLM 5개를 대상으로 실험을 수행하고, 여러 평가 지표를 설계하여 데이터셋의 신뢰성과 금융 분야에서의 대형 모델 생성 능력을 종합적으로 평가했다. 실험 결과, 대부분의 모델이 약 80%–99%의 높은 정확도로 문법적으로 올바른 자바스크립트 객체 표기법(JSON)을 생성할 수 있으며, 거의 모든(약 90%–100%) 불완전한 사례에서 적극적으로 명확화 질문을 제시했다. 그러나 모델의 엔드 투 엔드 정확도는 여전히 낮은 수준(약 6%–14%)에 머물며, 정보 누락 문제가 뚜렷하다(약 12%–66%). 또한 모델은 과도한 질문 경향이 있어 후속 질문의 약 70%–80%가 불필요하며, 이는 상호작용 비용 증가와 잠재적 정보 유출 위험을 초래한다. 연구는 이 프로세스를 실제 거래 시스템과 통합하는 가능성을 확인하여 LLM 기반 거래 자동화 솔루션의 실질적 배포를 위한 토대를 마련했다.

대형 언어 모델;금융 명령;평가;데이터셋 구축