Can Large Language Models Execute Parent Orders?
大语言模型能否执行母订单？分层零样本交易决策
🧭 LLM驱动的分层决策与规划
Independent Researcher · HKUST(GZ) · ZJU · SYSU
首次系统研究用LLM做母订单执行，提出分层框架PACE，零样本超越传统和学习型基线0.65基点
📌 工作参考价值
- 分层规划思想可直接用于电商大促的预算/流量分配：用LLM做高层计划（每天/每时段的预算比例），底层执行器按计划实时出价，无需针对具体场景重训模型。
- LLM零样本决策能力可替代强化学习在冷启动或快速变化的推荐场景（如新品冷启推送节奏）中做时序动作决策，降低训练成本。
- 长期规划+短期执行的分解范式适合多Agent协作：一个Plan Agent制定整体策略，多个Execute Agent按约束执行，解耦决策粒度，便于工程实现和调试。
- 行为分析中的“模型自信与绩效正相关”提示：可在在线决策系统里结合LLM输出置信度做风险控制，高置信动作放量，低置信动作交人工审核或降级。
动机：母订单执行（将大订单拆分为小单以降低冲击成本）的传统方法依赖预设市场假设或需任务特定训练，难以适应变化。LLM在金融领域已从“交易什么”扩展到“如何执行”，但尚无系统研究。
方法：提出PACE（Plan-Ahead Controlled Execution），将母订单执行分解为长时规划与短时执行两层。长时规划由LLM根据历史数据生成拆分计划，短时执行由轻量控制模块按计划实时调整，整个过程无需显式市场模型或训练，通过提示工程实现零样本迁移。
结果：在深交所Level-1数据上，PACE超越TWAP、Almgren-Chriss以及学习型基线，相对最强基线额外降低0.65 bps成本。行为分析显示LLM的决策模式与人类交易者不同：模型置信度越高表现越好（而非人类常见的过度自信导致亏损），且倾向尽早交易而非拖延至截止期。