대규모 언어 모델은 모주문을 실행할 수 있는가?

초록

모주문 실행은 대형 주문을 더 작은 주문으로 분할하여 실행 비용을 줄이는 것을 목표로 하는 알고리즘 트레이딩의 핵심 문제이다. 기존 접근법은 실제로 성립하지 않을 수 있는 사전 지정된 시장 가정에 의존하거나, 새로운 환경에 대한 적응성을 제한하는 과업별 훈련을 요구한다. 이러한 한계를 극복하기 위해, 우리는 모주문 실행을 위한 대규모 언어 모델(LLM)에 대한 최초의 체계적 연구를 제시한다. 이는 금융에서 LLM의 활용 범위를 ‘무엇을 거래할 것인가’에서 ‘어떻게 실행할 것인가’로 확장한다. 우리는 모주문 실행을 장기 계획과 단기 실행으로 분해하는 계층적 프레임워크인 PACE(Plan-Ahead Controlled Execution)를 제안하며, 이는 명시적 시장 가정도 과업별 훈련도 요구하지 않는다. 선전증권거래소 Level-1 데이터에 대한 실험에서 PACE는 TWAP, Almgren-Chriss, 학습 기반 기준 모델들을 능가하며, 가장 강력한 기준 모델보다 0.65bp 더 우수한 성과를 보였다. 행동 분석은 LLM이 인간 투자자와 다르게 실행 결정을 내린다는 것을 보여준다. 높은 모델 신뢰도는 더 나쁜 수익률이 아닌 더 나은 성과를 예측하며, 모델은 마감 시한까지 거래를 미루기보다 더 일찍 거래한다. 이러한 결과는 LLM이 실행 결정에 있어 인간 트레이더를 보완할 수 있음을 시사한다.

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.