대규모 언어 모델(LLM)은 주문 분할 실행을 수행할 수 있는가?

Can Large Language Models Execute Parent Orders?

주문 분할 실행은 알고리즘 거래의 핵심 문제로, 큰 주문을 더 작은 주문으로 나누면서 실행 비용을 줄이는 것을 목표로 합니다. 기존 방법들은 실제 환경에서 성립하지 않을 수 있는 사전 정의된 시장 가정을 기반으로 하거나, 특정 작업에 대한 훈련이 필요하여 새로운 환경에 대한 적응성이 제한됩니다. 이러한 한계를 극복하기 위해, 본 연구에서는 대규모 언어 모델(LLMs)을 활용한 주문 분할 실행에 대한 최초의 체계적인 연구를 제시합니다. 이는 금융 분야에서 LLM의 활용 범위를 단순히 '무엇을 거래할 것인가'에서 '어떻게 실행할 것인가'로 확장하는 것입니다. 우리는 PACE (Plan-Ahead Controlled Execution, 사전 계획 기반 제어 실행)라는 계층적 프레임워크를 제안하며, 이는 주문 분할 실행을 장기적인 계획과 단기적인 실행으로 나누며, 명시적인 시장 가정이나 특정 작업에 대한 훈련 없이도 작동합니다. 선전 증권 거래소의 Level-1 데이터를 사용한 실험 결과, PACE는 TWAP, Almgren-Chriss, 그리고 학습 기반 기준 모델들을 능가했으며, 가장 강력한 기준 모델보다 0.65 bps 더 높은 성능을 보였습니다. 행동 분석 결과, LLM은 인간 투자자와 다른 방식으로 실행 결정을 내립니다. 모델의 자신감 수준이 높을수록 더 나은 성과를 보이는 경향이 있으며, 모델은 마감 시점에 미루는 대신 더 일찍 거래하는 것을 선호합니다. 이러한 결과는 LLM이 실행 결정 과정에서 인간 트레이더를 보완할 수 있음을 시사합니다.

Parent-order execution is a core problem in algorithmic trading, where the goal is to split a large order into smaller orders while reducing execution costs. Existing approaches either rely on pre-specified market assumptions that may not hold in practice, or require task-specific training that limits adaptability to new settings. To overcome these limitations, we present the first systematic study of large language models (LLMs) for parent-order execution. This extends the use of LLMs in finance from what to trade to how to execute. We propose PACE (Plan-Ahead Controlled Execution), a hierarchical framework that decomposes parent-order execution into long-horizon planning and short-horizon execution, requiring neither explicit market assumptions nor task-specific training. Experiments on Shenzhen Stock Exchange Level-1 data show that PACE outperforms TWAP, Almgren-Chriss, and learning-based baselines, exceeding the strongest baseline by 0.65 bps. Behavioral analysis reveals that LLMs make execution decisions differently from human investors: higher model confidence predicts better performance rather than worse returns, and the model trades earlier rather than procrastinating toward the deadline. These findings suggest that LLMs can complement human traders in execution decisions.