[論文レビュー] From Natural Language to Executable Option Strategies via Large Language Models

Haochen Luo, Zhengzhao Lai+5 more|arXiv (Cornell University)|Mar 17, 2026

Stock Market Forecasting Methods被引用数 0

ひとこと要約

paper は Option Query Language (OQL) を導入し、自然言語の取引意図を実行可能なオプション戦略へと変換するドメイン特化型中間表現。神経-シンボリックなパイプラインにより、直接生成ベースラインより精度と信頼性を向上させる。

ABSTRACT

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.

研究の動機と目的

• 自然言語の意図と実行可能なオプション戦略を制約付き中間表現で橋渡しする。
• LLM が高次元のオプションデータと相互作用する際のコンテキスト爆発と幻覚を低減する。
• 2025市場条件における自然言語からオプション戦略への翻訳のベンチマークとデータセットを提供する。
• 金融ドメインへテキスト-to-SQL のパラダイムを拡張し、構造化されたオプションチェーンクエリを可能にする。）

提案手法

• Option Query Language (OQL) を、オプション戦略の宣言型・役割ベース・制約駆動の言語として導入する。
• セマンティックパーシング（LLM から OQL へ）と決定論的実行（OQL エンジンによるオプションチェーンデータ上の実行）の二段階パイプラインを使用する。
• 問題を y|x,D = sum_z P_theta(z|x) * P_phi(y|z,D) として定式化し、言語的パーシングと実行を切り離す。
• OQL の原理を定義する：役割ベースの抽象化、スコープ付きフィルタリング、近似演算子によるセマンティックソフトマッチング。
• 神経-シンボリックな実行を説明する：AST 解析、役割制約検証、ベクトル化フィルタリング、実行可能な戦略を生成するデカルト合成。
• 2025市場データに制約された 200 NL 指示のデータセットと、クエリレベルおよび戦略レベルの評価プロトコルを提供する。

実験結果

リサーチクエスチョン

• RQ1 LLM は実行可能な OQL クエリを信頼して生成し、空でなく正確なオプション戦略を生み出せるか。
• RQ2 異なる LLM は有効で忠実な OQL クエリの生成においてベースラインと比較してどうなるか。
• RQ3 OQL 派生戦略は生データ上のベースラインより優れており、バックテストでどのように機能するか。

主な発見

• すべての大規模モデルは生成された OQL クエリに対して有効性率 (VR) が 0.87 を超えた。
• 専門的なコーディングモデル（例：DeepSeek-Coder-6.7B）はこのタスクでより大きな一般モデルを上回ることがある。
• OQL は無構造ベースライン（FFLG, PCG）および標準の Text-to-SQL より信頼性とリスク管理の点で優れている。
• OQL は SQL ベースのベースラインと比べ幻覚の危険性を低減し、勝率と収益性に有利な結果を達成する。
• OQL はキャッシュヒット率の高い効率的なトークン使用を提供し、戦略の取得コストを抑える。
• 資産と市場体制を超えて、OQL はモデルが条件に合わせた戦略を調整でき、均一な出力を生み出さない。