大型語言模型能否執行父單交易指令？
為何重要
這項研究標誌著 LLM 從單一回應生成進化為具備複雜規劃能力的決策者，特別是在金融執行層面證實了其可行性。對量化交易與金融科技產業而言，0.65 bps 的執行週轉率最佳化不僅意味著獲利提升，也為開發不斷學習的交易代理提供了新的技術路徑。
在演算法交易領域，解決父單執行問題旨在將大額單子拆解以降低成本，但傳統方法往往依賴預設市場假設或需要耗費大量資料進行特定任務訓練。本研究將大型語言模型（LLM）從「買什麼」的決策擴充套件至「如何執行」的邏輯，提出不需要市場假設或特定資料的 PACE 框架。
- 提出 PACE 框架，將父母單執行拆解為長期規劃與短期執行，完全避開對外部市場假設或特定任務資料的依賴。
- 實驗基準資料採用 深圳證券交易所 Level-1 的真實交易資訊。
- 效能超越 TWAP、Almgren-Chriss 及學習型基準，優於最強基準線達 0.65 bps。
- 行為分析顯示模型具備與人類預期不同的決策模式：較高信心更能預測優異表現，且執行時傾向提早行動而非拖延至最後期限。