El desarrollo de grandes modelos de lenguaje (LLM) ha creado oportunidades revolucionarias para la industria financiera, especialmente en el ámbito de las transacciones financieras. Sin embargo, la integración de los LLM con los sistemas de trading sigue siendo un desafío. Para abordar este problema, este artículo propone un proceso inteligente de reconocimiento de órdenes de trading que puede convertir las órdenes de trading en un formato estándar durante la ejecución de las transacciones. Este sistema mejora la interacción entre los operadores humanos y las plataformas de trading, y también resuelve el sesgo en la obtención de información durante la ejecución de las transacciones. Además, se construyó un conjunto de datos de órdenes de trading con 500 entradas para simular escenarios de trading reales. Se realizaron experimentos en este conjunto con cinco de los LLM más avanzados, diseñándose varias métricas de evaluación para evaluar integralmente la fiabilidad del conjunto de datos y la capacidad de generación de los grandes modelos en el campo financiero. Los resultados experimentales muestran que la mayoría de los modelos pueden generar sintaxis correcta de objetos JavaScript (JSON) con una alta precisión (aproximadamente 80%–99%) y plantean activamente preguntas aclaratorias en casi todos los casos incompletos (aproximadamente 90%–100%). Sin embargo, la precisión de extremo a extremo sigue siendo baja (aproximadamente 6%–14%), con problemas significativos de pérdida de información (aproximadamente 12%–66%). Además, los modelos tienden a un exceso de consultas — aproximadamente 70%–80% de las consultas posteriores no son necesarias, lo que no solo aumenta el coste de la interacción sino que también conlleva riesgos potenciales de filtración de información. La investigación también confirma la viabilidad de integrar este proceso con sistemas de trading reales, sentando las bases para el despliegue práctico de soluciones de automatización de trading basadas en LLM.

grandes modelos de lenguaje;instrucciones financieras;evaluación;construcción de conjuntos de datos