大規模言語モデルは親注文を実行できるか？

要旨

親注文の執行はアルゴリズム取引における中核的な課題であり、大口注文をより小さな注文に分割しつつ執行コストを削減することが目的である。既存のアプローチは、実際には成立しない可能性のある所定の市場仮定に依存するか、新たな環境への適応性を制限するタスク固有の訓練を必要とする。これらの限界を克服するため、本稿では、親注文執行に対する大規模言語モデル（LLM）の初の体系的研究を提示する。これにより、金融におけるLLMの活用は「何を売買するか」から「どのように執行するか」へと拡張される。我々は、親注文の執行を長期計画と短期執行に分解する階層的フレームワークであるPACE（Plan-Ahead Controlled Execution）を提案する。これは、明示的な市場仮定もタスク固有の訓練も必要としない。深セン証券取引所のレベル1データを用いた実験では、PACEはTWAP、アルムグレン-クリス、および学習ベースのベースラインよりも優れた成績を示し、最良のベースラインを0.65bps上回った。行動分析により、LLMは人間の投資家とは異なる方法で執行決定を行うことが明らかになった。すなわち、モデルの信頼度が高いほど、リターンの悪化ではなく優れたパフォーマンスが予測され、モデルは執行期限まで先延ばしするのではなく早期に取引を行う。これらの結果は、LLMが執行決定において人間のトレーダーを補完できることを示唆している。

English

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.