[논문리뷰] Can Large Language Models Execute Parent Orders?

링크: 논문 PDF로 바로 열기

메타데이터

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

1. Key Terms & Definitions (핵심 용어 및 정의)

• Parent-Order Execution: 대량의 주문(Parent Order)을 시장 충격을 최소화하기 위해 여러 개의 소규모 주문으로 분할하여 집행하는 알고리즘 트레이딩의 핵심 문제.
• PACE (Plan-Ahead Controlled Execution): 긴 시간 지평의 전략을 수립하는 Planner와 짧은 시간 지평의 시장 변화에 대응하는 Executor로 구성된 LLM 기반의 계층적 실행 프레임워크.
• TWAP (Time-Weighted Average Price): 지정된 시간 동안 주문을 균등하게 분할하여 집행하는 가장 기본적인 벤치마크 실행 전략.
• bps (Basis Points): 금융 거래 비용이나 가격 성능을 측정하는 단위로, 1 bps는 0.01%를 의미함.
• Order-Submission Setting: 시장 주문 집행 시 가격을 결정하는 방식으로, 즉각적인 체결을 목표로 하는 Aggressive 방식과 더 나은 가격을 목표로 하는 Passive 방식이 있음.

2. Motivation & Problem Statement (연구 배경 및 문제 정의)

본 논문은 대량 주문을 집행할 때 발생하는 비용을 줄이기 위해 기존 모델들이 가진 한계를 극복하고자 LLM의 활용 가능성을 탐구한다. 기존의 Static 방식(예: TWAP, Almgren-Chriss)은 시장에 대한 고정된 가정을 전제로 하며, Learning-based 방식은 데이터 기반 학습을 수행하지만 새로운 환경에 대한 적응력이 부족하고 과도한 태스크별 훈련이 필요하다. 저자들은 이러한 제약 없이 범용적인 사전 지식을 활용해 추론 시점에 즉각적으로 결정을 내릴 수 있는 LLM 기반 프레임워크를 제안한다 [Figure 2].

Figure 2 — PACE 전체 아키텍처

3. Method & Key Results (제안 방법론 및 핵심 결과)

저자들이 제안하는 PACE는 긴 시간 지평의 트렌드를 평가하여 주문을 분할하는 Planner와, 짧은 기간의 시장 변동에 따라 주문량을 조정하는 Executor로 구성된다 [Figure 2]. Planner는 시장 이력과 TWAP 곡선을 바탕으로 시간 슬롯별 가중치를 할당하며, Executor는 실시간 시장 상황을 반영하여 TWAP 기반 주문량을 조정한다 [Figure 2]. 실험 결과, PACE는 심천증권거래소(Shenzhen Stock Exchange) 데이터셋에서 TWAP, Almgren-Chriss, XGBoost, LSTM 등 강력한 베이스라인을 모두 능가하는 성과를 보였다. 구체적으로 Aggressive 설정에서 최고의 성능을 보인 모델은 TWAP 대비 1.02 bps, 최고 베이스라인 대비 0.65 bps의 추가 수익(Gain)을 기록했다 [Table 1]. 또한, PACE는 가격 변동성이나 데이터의 노이즈가 높은 상황에서도 기존 모델들보다 우수한 강건성을 보였다 [Figure 5].

4. Conclusion & Impact (결론 및 시사점)

본 연구는 Parent-order execution 분야에 LLM을 성공적으로 도입한 최초의 사례로, 별도의 태스크별 훈련 없이도 뛰어난 실행 성능을 입증했다. 특히 LLM의 행동 분석을 통해 모델의 높은 자신감이 성능 향상과 직결되며, 인간 트레이더와 달리 마감 시간에 임박해서야 급하게 처리하는 현상이 없다는 점을 확인했다. 이러한 결과는 LLM이 인간 트레이더의 복잡한 실행 결정을 보조하거나 더 규율 있는 트레이딩 전략을 수립하는 데 중요한 역할을 할 수 있음을 시사한다.

Figure 1 — 주가 데이터의 트렌드 분해

Figure 3 — 특성별 PACE의 성능 이득

⚠️ 알림: 이 리뷰는 AI로 작성되었습니다.