대규모 언어 모델을 활용한 자연어 기반 실행 가능한 옵션 전략 생성

From Natural Language to Executable Option Strategies via Large Language Models

대규모 언어 모델(LLM)은 일반적인 코드 생성에 뛰어난 성능을 보이지만, 자연어 기반의 거래 의도를 정확한 옵션 전략으로 변환하는 것은 여전히 어려운 과제입니다. 실제 옵션 설계는 방대한 다차원 옵션 체인 데이터를 엄격한 제약 조건과 함께 처리해야 하는데, 이는 직접적인 생성 방식으로는 종종 어려움을 겪습니다. 본 연구에서는 옵션 시장을 고수준의 기본 요소로 추상화하고 문법 규칙을 적용하여 LLM이 신뢰할 수 있는 의미 분석기로 작동하도록 하는 도메인 특화 중간 표현인 옵션 쿼리 언어(OQL)를 소개합니다. OQL 쿼리는 검증을 거쳐 엔진에 의해 결정적으로 실행되어 실행 가능한 전략을 생성합니다. 또한, 본 연구에서는 이 작업을 위한 새로운 데이터셋을 제시하고, 제안하는 신경-기호 통합 방식이 직접적인 방법론에 비해 실행 정확도와 논리적 일관성을 크게 향상시킨다는 것을 보여줍니다.

Large Language Models (LLMs) excel at general code generation, yet translating natural-language trading intents into correct option strategies remains challenging. Real-world option design requires reasoning over massive, multi-dimensional option chain data with strict constraints, which often overwhelms direct generation methods. We introduce the Option Query Language (OQL), a domain-specific intermediate representation that abstracts option markets into high-level primitives under grammatical rules, enabling LLMs to function as reliable semantic parsers rather than free-form programmers. OQL queries are then validated and executed deterministically by an engine to instantiate executable strategies. We also present a new dataset for this task and demonstrate that our neuro-symbolic pipeline significantly improves execution accuracy and logical consistency over direct baselines.