Развитие больших языковых моделей (LLM) создало революционные возможности в финансовой отрасли, особенно в области финансовых сделок. Тем не менее, интеграция LLM с торговыми системами остается проблемой. Для решения этой задачи в статье предложен интеллектуальный процесс распознавания торговых ордеров, который способен преобразовывать торговые ордера в стандартный формат в процессе исполнения сделок. Эта система повышает взаимодействие между трейдерами и торговыми платформами, одновременно решая проблему искажений при получении информации в процессе исполнения сделок. Кроме того, создан набор данных из 500 торговых ордеров для моделирования реальных торговых сценариев. На основе этого набора данных проведены эксперименты с пятью передовыми LLM и разработаны различные метрики оценки для всесторонней проверки надежности набора данных и способности моделей к генерации в финансовой сфере. Результаты экспериментов показали, что большинство моделей могут с высокой точностью (около 80%–99%) генерировать синтаксически корректные объекты JavaScript (JSON) и в почти всех неполных случаях (около 90%–100%) самостоятельно задают уточняющие вопросы. Однако точность от начала до конца осталась на низком уровне (около 6%–14%), а проблемы с отсутствием информации значительны (около 12%–66%). Кроме того, модели склонны к избыточным запросам — примерно в 70%–80% последующих вопросов не было необходимости, что не только увеличивает затраты на взаимодействие, но и создает потенциальные риски утечки информации. Исследование также подтверждает возможность интеграции этого процесса с реальными торговыми системами, закладывая основу для практического развертывания LLM-решений автоматизации торговли.

большие языковые модели;финансовые инструкции;оценка;создание набора данных