From Natural Language to Executable Option Strategies via Large Language Models

Die Arbeit stellt Option Query Language (OQL) vor, eine domänenspezifische Zwischensprache, die es ermöglicht, natürliche Spracheingaben über Large Language Models in zuverlässige und ausführbare Optionsstrategien zu übersetzen, indem sie die direkte Generierung durch eine neuro-symbolische Pipeline mit deterministischer Validierung ersetzt.

Das Wesentliche

Das große Problem: Der Übersetzer und der riesige Werkzeugkasten

Stellen Sie sich vor, Sie sind ein Investor und haben eine Idee: „Ich möchte mit Aktien wie SPY oder Tesla Geld verdienen, aber ich will das Risiko minimieren, falls die Kurse fallen." Sie sagen das ganz einfach auf Deutsch (oder Englisch) zu einem sehr intelligenten Computer (einem KI-Modell).

Das Problem ist: Der Computer ist zwar ein Genie in Sprache, aber wenn er direkt versucht, einen komplexen Finanzplan zu erstellen, wird er schnell verwirrt.

• Der Werkzeugkasten: Der Markt für Optionen (eine Art Versicherung oder Wette auf Aktien) ist wie ein riesiger, chaotischer Werkzeugkeller mit Millionen von Schrauben, Nägeln und Werkzeugen (Tausende von Verträgen mit verschiedenen Preisen und Daten).
• Die Gefahr: Wenn Sie dem Computer einfach sagen „Baue mir einen Plan", versucht er oft, alles auf einmal zu verstehen. Das führt dazu, dass er sich Dinge ausdenkt (Halluzinationen), falsche Preise nennt oder Pläne erstellt, die in der echten Welt gar nicht funktionieren. Es ist, als würde man einem Koch sagen: „Mach mir ein Essen", und er versucht, aus dem ganzen Supermarkt gleichzeitig zu kochen, ohne ein Rezept zu haben.

Die Lösung: OQL – Die „Spezial-Sprache" für Optionen

Die Autoren dieser Studie haben eine clevere Lösung gefunden. Sie nennen es OQL (Option Query Language).

Stellen Sie sich OQL wie eine Übersetzungs-Brücke vor:

1. Schritt 1: Der Dolmetscher (Die KI):
   Statt dass die KI direkt versucht, den riesigen Werkzeugkeller zu durchsuchen, übersetzt sie Ihre einfache Idee („Ich will ein Delta-neutrales Iron Condor auf SPY") in eine kurze, präzise Bauanleitung in der Sprache OQL.

   • Analogie: Es ist, als würde ein Architekt Ihre Idee „Ich will ein Haus mit viel Licht" in einen genauen Bauplan mit Maßen und Materiallisten übersetzen, statt sofort mit dem Bagger zu beginnen.

2. Schritt 2: Der Bauleiter (Der Motor):
   Dieser Bauplan (OQL) wird dann an einen strengen, logischen Computer-Motor gegeben. Dieser Motor kennt die Regeln der Baustelle perfekt. Er sucht nur nach den Werkzeugen, die genau auf den Plan passen. Er prüft, ob alles sicher ist, und baut den Plan exakt so, wie er geschrieben steht.

   • Vorteil: Da der Motor die Regeln strikt befolgt, gibt es keine „ausgedachten" Preise oder unmöglichen Verträge. Es ist sicher und zuverlässig.

Warum ist das so toll? (Die Vorteile)

• Kein Chaos mehr: Die KI muss nicht mehr den ganzen riesigen Werkzeugkeller im Kopf behalten. Sie muss nur den Plan schreiben. Der Motor kümmert sich um die Details.
• Sicherheit: In der Finanzwelt kann ein kleiner Fehler Millionen kosten. Da der Motor die Regeln (Grammatik) strikt befolgt, werden gefährliche Fehler vermieden.
• Bessere Ergebnisse: In Tests hat sich gezeigt, dass diese Methode viel häufiger funktioniert als wenn man der KI einfach sagt: „Schreib mir einen Code" oder „Suche in der Datenbank". Die Strategien, die so entstehen, waren profitabler und riskanter.

Ein konkretes Beispiel aus dem Papier

Stellen Sie sich vor, Sie sagen:

„Ich glaube, die Aktie NVDA wird sich in den nächsten 30 Tagen nicht viel bewegen. Ich will Geld verdienen, indem ich die Schwankungen verkaufe, aber ich will mein Risiko begrenzen."

• Ohne OQL: Die KI könnte versuchen, direkt Verträge zu nennen, sich aber bei den Preisen irren oder einen Plan erstellen, der bei einem plötzlichen Crash alles verliert.
• Mit OQL:
  1. Die KI übersetzt das in: „Suche nach einem Iron Condor (eine spezielle Bauart) für NVDA, mit Ablauf in ca. 30 Tagen, bei dem die Wahrscheinlichkeit eines Gewinns hoch ist."
  2. Der Motor sucht im echten Markt nach genau diesen Verträgen.
  3. Das Ergebnis ist ein fertiger, sicherer Plan, den Sie sofort nutzen können.

Fazit

Die Forscher haben einen Weg gefunden, wie man die „Kreativität" einer KI nutzt, um Ideen zu formulieren, aber die „Strenge" eines Computers nutzt, um die Ausführung sicher zu machen. Sie haben die KI vom „Rohbau-Arbeiter" zum „Architekten" gemacht, der einen Plan schreibt, und einen Roboter als „Bauarbeiter" eingesetzt, der den Plan fehlerfrei umsetzt.

Das ist ein großer Schritt hin zu automatisierten, sicheren Finanzsystemen, die auch für normale Menschen verständlich sind.

Technische Zusammenfassung

1. Problemstellung

Die Anwendung von Large Language Models (LLMs) im Finanzbereich konzentriert sich bisher überwiegend auf Aktienmärkte (z. B. Preisvorhersage, Sentiment-Analyse). Die Gestaltung und Ausführung von Handelsstrategien für Finanzderivate, insbesondere Optionen, bleibt jedoch weitgehend unerforscht.

Die Hauptherausforderungen bei der Übersetzung natürlicher Sprache (NL) in optionale Handelsstrategien sind:

• Hohe Dimensionalität: Optionketten (Option Chains) enthalten Tausende von Verträgen über verschiedene Ausübungspreise (Strikes) und Laufzeiten. Diese Datenmengen übersteigen oft die Kontextgrenzen von LLMs oder verursachen hohe Rechenkosten.
• Strikte Constraints: Optionstrading erfordert präzise logische Bedingungen (z. B. Delta-Neutralität, Greeks, Multi-Leg-Strukturen wie Iron Condors).
• Halluzinationen: Direkte Text-zu-Code-Generierung (z. B. Python oder SQL) führt häufig zu ungültigen Tickersymbolen oder Verletzungen finanzieller Constraints, was in risikoreichen Finanzumgebungen inakzeptabel ist.
• Komplexität: Das Verständnis von Konzepten wie „Delta-Neutralität" oder „Volatilitäts-Skew" ist für traditionelle NLU-Modelle zu schwierig.

2. Methodik: Option Query Language (OQL)

Die Autoren schlagen einen neuro-symbolischen Ansatz vor, der die LLMs nicht als freie Programmierer, sondern als semantische Parser einsetzt. Der Kern der Methode ist die Option Query Language (OQL).

Der Workflow (Zwei-Phasen-Prozess):

1. Semantische Parsing (LLM → OQL):
   • Das LLM übersetzt die natürliche Sprache des Benutzers (z. B. „Finde eine Delta-neutrale Iron Condor auf SPY mit niedriger impliziter Volatilität") in eine strukturierte OQL-Abfrage.
   • Das LLM generiert keinen direkten Code, sondern eine deklarative Abfrage, die auf einer strengen Grammatik basiert.
2. Deterministische Ausführung (OQL Engine → Strategie):
   • Eine spezialisierte Engine validiert und führt die OQL-Abfrage deterministisch über die Optionketten-Daten aus.
   • Dies eliminiert die Unsicherheit des LLMs bei der eigentlichen Finanzlogik und stellt sicher, dass die Ergebnisse logisch konsistent und ausführbar sind.

Schlüsselprinzipien von OQL:

• Rollenbasierte Abstraktion (Role-Based Abstraction): Strategien werden als Zuordnung von Rollen (z. B. „Short Call", „Long Put") zu Verträgen definiert. Dies erzwingt strukturelle Gültigkeit (z. B. verhindert es, dass zwei Calls einer Straddle-Strategie zugewiesen werden).
• Gescoppelte Filterung (Scoped Filtering):
  • Leg-Level (WHERE): Filtert einzelne Verträge basierend auf Attributen wie Delta, Moneyness oder Days-to-Expiry (DTE).
  • Strategie-Level (HAVING): Wendet aggregierte Constraints auf die gesamte Strategie an (z. B. Netto-Delta, maximaler Verlust).
• Semantische Soft-Matching: Ein Operator (~) erlaubt approximative numerische Bedingungen (z. B. „ca. 30 Tage"), um die Lücke zwischen vager natürlicher Sprache und strengen Datenbankfiltern zu überbrücken.

3. Wichtige Beiträge

1. Einführung von OQL: Eine domainspezifische Zwischensprache, die komplexe Derivate-Logik (Greeks, Multi-Leg-Strukturen) in ein token-effizientes, aber logisch strenges Format kodiert.
2. Neuer Benchmark-Datensatz: Da es keinen Standard-Datensatz für NL-zu-Option-Strategien gibt, haben die Autoren einen Datensatz mit 200 diversen Handelsanweisungen erstellt. Dieser basiert auf Marktregimen des Jahres 2025 (um Look-Ahead-Bias zu vermeiden) und deckt verschiedene Marktbedingungen (Trend, Seitwärtsbewegung, Volatilität) ab.
3. Erweiterung des Text-to-SQL-Paradigmas: Die Arbeit adaptiert Text-to-SQL für den Finanzsektor, wobei die „Datenbank" die massive Optionenkette und das „Query-Ergebnis" eine strukturierte Strategie ist.

4. Ergebnisse und Evaluation

Die Autoren evaluierten verschiedene LLMs (u. a. GPT-4.1, DeepSeek-V3, Gemini-2.5, LLaMA-3) und verglichen OQL mit drei Baselines:

• Free-Form Leg Generation (FFLG): Direkte Generierung ohne Marktdaten.
• Partial-Chain Grounded (PCG): Nutzung von Teildaten als Kontext.
• Text-to-SQL: Standard-SQL-Generierung.

Wichtige Erkenntnisse:

• Überlegene Genauigkeit: OQL erreichte bei allen großen Modellen eine Validitätsrate (VR) von über 87 % und übertraf die Baselines signifikant in Bezug auf semantische Genauigkeit und Strategie-Match.
• Risikomanagement: OQL reduzierte drastisch gefährliche Halluzinationen. Beispielsweise sank das Risiko (Risk@90) für DeepSeek-Chat von 46,1 % (SQL) auf 18,6 % bei OQL, bei gleichzeitig höherer Gewinnrate (Win Rate: 60,9 %).
• Modell-Spezialisierung: Spezialisierte Coding-Modelle (z. B. DeepSeek-Coder-6.7B) schnitten oft besser ab als größere allgemeine Modelle, was darauf hindeutet, dass domänenspezifisches Syntax-Reasoning wichtiger ist als reine Parametergröße.
• Effizienz: OQL bietet einen optimalen Kompromiss zwischen Token-Verbrauch und Suchvalidität (Cache-Hit-Rate von 88,5 %), während PCG-Methoden aufgrund hoher Token-Kosten ineffizient sind.
• Backtest-Ergebnisse: Die mit OQL generierten Strategien zeigten in Backtests eine höhere Profitabilität und ein besseres Risikoprofil (höhere Win Rates, geringere Drawdowns) im Vergleich zu unstrukturierten Ansätzen.

5. Bedeutung und Ausblick

Diese Arbeit stellt einen bedeutenden Schritt in Richtung automatisierten Optionshandels dar. Sie löst das Problem der „Brücke" zwischen vagen menschlichen Absichten und präziser finanzieller Ausführung, indem sie die probabilistische Natur von LLMs auf die semantische Interpretation beschränkt und die harte Logik an deterministische Engines auslagert.

Zukünftige Arbeiten sollen OQL über vordefinierte Vorlagen hinaus erweitern, um freiformige Bein-Designs zu ermöglichen, sowie die Integration von bestehenden Portfolio-Positionen und realistischen Handelsfrictionen (Transaktionskosten) unterstützen.

Fazit: Das Paper demonstriert, dass die Kombination aus LLMs und domänenspezifischen, formalen Sprachen (Neuro-Symbolik) notwendig ist, um die Zuverlässigkeit und Sicherheit von KI-gestützten Finanzstrategien zu gewährleisten, insbesondere in komplexen Märkten wie dem Optionsmarkt.