Can Large Language Models Execute Parent Orders?

📄 arXiv: 2607.28410v1 📥 PDF

作者: Zane Shen, Xinli Xu, Guangyi Zhang, Jialong Chen, Jinsong Zhou, Cong Chen, Guibao Shen, Dongyu Yan, Luozhou Wang, Zhen Yang

分类: cs.CE, cs.CL, q-fin.TR

发布日期: 2026-07-30

💡 一句话要点

提出PACE框架以解决算法交易中的父订单执行问题

🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)

关键词: 算法交易 父订单执行 大型语言模型 执行策略 金融市场 深度学习 强化学习

📋 核心要点

  1. 核心问题：现有的父订单执行方法依赖于市场假设或特定训练，导致适应性差和执行成本高。
  2. 方法要点：提出PACE框架，通过长短期规划分解父订单执行，避免了市场假设和特定训练的限制。
  3. 实验或效果：PACE在深圳证券交易所的实验中表现优于传统方法，提升幅度达到0.65个基点。

📝 摘要（中文）

父订单执行是算法交易中的核心问题，旨在将大订单拆分为小订单以降低执行成本。现有方法依赖于预设的市场假设或任务特定的训练，限制了其适应性。为克服这些局限性，本文首次系统研究了大型语言模型（LLMs）在父订单执行中的应用，提出了PACE（Plan-Ahead Controlled Execution）框架。该框架将父订单执行分解为长时间规划和短时间执行，无需明确的市场假设或任务特定训练。实验结果表明，PACE在深圳证券交易所的Level-1数据上优于TWAP、Almgren-Chriss和基于学习的基线，超出最强基线0.65个基点。行为分析显示，LLMs的执行决策与人类投资者不同，模型信心更高时预测表现更好，且模型更倾向于提前交易而非拖延。

🔬 方法详解

问题定义：本文旨在解决算法交易中父订单执行的问题，现有方法往往依赖于不可靠的市场假设或需要特定的训练，导致在实际应用中效果不佳。

核心思路：提出的PACE框架通过将父订单执行任务分解为长时间规划和短时间执行，避免了对市场假设的依赖，同时提升了模型的适应性和灵活性。

技术框架：PACE框架包括两个主要模块：长时间规划模块负责制定整体执行策略，短时间执行模块则根据市场实时情况进行订单执行。两者相辅相成，确保执行的高效性和灵活性。

关键创新：PACE框架的创新在于首次将大型语言模型应用于父订单执行，突破了传统方法的局限，提供了一种新的思路和工具来优化交易执行。

关键设计：在模型设计中，采用了层次化的结构，结合了长短期记忆网络（LSTM）和强化学习方法，确保模型在执行过程中能够实时调整策略。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

实验结果显示，PACE框架在深圳证券交易所的Level-1数据上超越了TWAP、Almgren-Chriss等传统基线，性能提升达0.65个基点。这表明大型语言模型在执行决策中具有显著优势，能够有效补充人类交易者的决策过程。

🎯 应用场景

该研究的潜在应用领域包括金融市场的算法交易、投资组合管理和风险控制等。通过引入大型语言模型，PACE框架能够为交易决策提供更智能的支持，提升交易效率，降低执行成本，具有广泛的实际价值和未来影响。

📄 摘要（原文）

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.