El desarrollo de modelos de lenguaje grandes (LLM) ha creado oportunidades transformadoras en la industria financiera, especialmente en el ámbito de las transacciones financieras. Sin embargo, integrar 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 traders humanos y las plataformas de trading, al tiempo que resuelve el sesgo en la obtención de información durante la ejecución de las operaciones. Además, se construyó un conjunto de datos con 500 órdenes de trading para simular escenarios de trading reales. Mediante experimentos con cinco de los LLM más avanzados en este conjunto de datos y el diseño de múltiples métricas de evaluación, se evaluó de manera integral la fiabilidad del conjunto de datos y la capacidad generativa de los grandes modelos en el dominio financiero. Los resultados experimentales muestran que la mayoría de los modelos pueden generar objetos JavaScript (JSON) sintácticamente correctos con una alta precisión (alrededor del 80%–99%) y en casi todos los casos incompletos (aproximadamente 90%–100%) plantean preguntas aclaratorias proactivas. Sin embargo, la precisión de extremo a extremo sigue siendo baja (alrededor del 6%–14%), y existe un problema significativo de información faltante (alrededor del 12%–66%). Además, los modelos tienden a realizar consultas excesivas: aproximadamente el 70%–80% de las consultas posteriores son innecesarias, lo que no solo incrementa el costo de la interacción sino que también implica un riesgo potencial 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 conjunto de datos