From Natural Language to Executable Option Strategies via Large Language Models

Este artículo presenta OQL, un lenguaje intermedio específico de dominio que, junto con un nuevo conjunto de datos y un pipeline neuro-simbólico, permite a los modelos de lenguaje grandes traducir de manera fiable y precisa intenciones de trading en lenguaje natural a estrategias de opciones ejecutables, superando las limitaciones de la generación de código directa.

Lo esencial

¡Claro que sí! Imagina que este paper es como la historia de un traductor mágico que conecta dos mundos que normalmente no se hablan: el lenguaje humano (nuestros deseos y pensamientos) y el lenguaje de los robots financieros (código y datos complejos).

Aquí tienes la explicación, traducida al español y llena de analogías para que sea fácil de entender:

---

🌉 El Puente entre el "Quiero Ganar Dinero" y el "Código que Ejecuta"

El Problema: El Caos del Mercado de Opciones
Imagina que el mercado de opciones es un supermercado gigante con millones de productos (contratos) en estanterías infinitas. Cada producto tiene un precio, una fecha de caducidad y reglas muy estrictas.

• El cliente (tú): Llegas y dices: "Quiero una estrategia que me proteja si el mercado cae, pero que me gane dinero si se queda quieto, y que no me cueste una fortuna".
• El robot (la IA actual): Si le pides esto directamente a una Inteligencia Artificial (IA) normal, suele alucinar. Es como pedirle a un niño que construya un avión de papel con instrucciones vagas; a veces hace algo bonito, pero a menudo se cae en el aire o, peor aún, inventa piezas que no existen. En finanzas, un error así puede costar miles de dólares.

La Solución: OQL (El "Idioma de las Opciones")
Los autores del paper crearon un nuevo idioma intermedio llamado OQL (Option Query Language).

Piensa en OQL como un menú de restaurante con reglas estrictas:

1. No puedes pedir "algo rico": Tienes que elegir de una lista específica (ej. "Iron Condor", "Butterfly").
2. No puedes pedir "poca sal": Tienes que decir "5 gramos de sal" (ej. "Delta = 0.15").
3. El chef (la IA) no cocina: La IA solo escribe la orden en el formato correcto del menú.
4. El camarero (el motor de ejecución): Un sistema robótico toma esa orden, verifica que los ingredientes existan en la nevera (los datos reales del mercado) y prepara el plato. Si falta un ingrediente, el camarero dice "no se puede hacer" en lugar de inventar uno falso.

🛠️ ¿Cómo funciona el proceso? (La Analogía del Traductor)

El sistema funciona en dos pasos, como un equipo de traducción:

1. Paso 1: El Traductor Semántico (La IA)
   Tú escribes en lenguaje natural: "Busca una estrategia de Iron Condor en SPY que sea neutral al Delta y con volatilidad baja".
   La IA no intenta adivinar los precios ni inventar números. Su único trabajo es traducir tu frase al idioma OQL. Es como si dijera: "Traducir: 'Iron Condor' -> Código OQL: SELECT IRON_CONDOR WHERE ...".

   • La magia: La IA actúa como un intérprete, no como un programador. Solo se asegura de que la gramática sea perfecta.

2. Paso 2: El Motor de Ejecución (El Robot)
   Una vez que la IA escribe el código OQL, un motor matemático (que no es una IA, es pura lógica) lo lee. Este motor busca en los millones de contratos reales del mercado y encuentra exactamente los que cumplen tus reglas.

   • Resultado: Te devuelve una lista de estrategias reales, verificadas y listas para operar.

🧪 ¿Qué probaron? (La Prueba de Fuego)

Crearon un nuevo campo de entrenamiento (un conjunto de datos) con 200 situaciones reales de trading del año 2025. Poneron a prueba a varias IAs famosas (como GPT-4, DeepSeek, Gemini) de dos formas:

• Método Viejo (Sin OQL): Le decían a la IA: "Aquí tienes los datos, inventa una estrategia".
  • Resultado: Las IAs alucinaban mucho. Inventaban precios que no existían o creaban estrategias que eran matemáticamente imposibles. Era como intentar construir un puente con piezas de Lego que no encajan.
• Método Nuevo (Con OQL): Le decían a la IA: "Traduce esto al idioma OQL".
  • Resultado: ¡Éxito! Las estrategias funcionaban mucho mejor. La IA dejó de inventar y empezó a seguir reglas. El sistema encontró estrategias que ganaban dinero y protegían el riesgo mucho mejor que los métodos anteriores.

💡 La Gran Lección: "Menos es Más"

El hallazgo más importante es que la IA no necesita ser un genio matemático para ser un buen trader.

• Si le das a la IA todo el mercado para que lo procese, se abruma y comete errores.
• Si le das un idioma estructurado (OQL) que le dice qué buscar y cómo buscarlo, la IA brilla.

Es como si le dijeras a un chef: "Hazme un pastel" (resultado: caos) vs. "Sigue esta receta exacta paso a paso" (resultado: pastel perfecto).

🚀 En Resumen

Este paper nos dice que para usar la Inteligencia Artificial en el mundo real de las finanzas (especialmente en opciones, que son complejas), no debemos dejar que la IA "imagine" la solución. En su lugar, debemos darle un lenguaje de reglas estrictas (OQL) que actúe como un puente seguro.

• Tú: Das la idea con tus palabras.
• La IA: Traduce la idea a un código seguro.
• El Sistema: Ejecuta la orden con precisión quirúrgica.

Es el fin de las "alucinaciones financieras" y el comienzo de una nueva era donde cualquiera puede pedir una estrategia compleja en lenguaje natural y recibir una respuesta matemáticamente sólida. ¡Es como tener un asesor financiero experto en tu bolsillo, pero que nunca se equivoca en los cálculos!

Resumen técnico

Aquí tienes un resumen técnico detallado del artículo "From Natural Language to Executable Option Strategies via Large Language Models" en español:

1. El Problema

El uso de Modelos de Lenguaje Grande (LLM) en finanzas ha avanzado significativamente en la predicción de acciones y el análisis de sentimientos, pero su aplicación en el diseño y ejecución de estrategias de opciones financieras sigue siendo un desafío mayor.

• Complejidad de los Datos: Las cadenas de opciones (option chains) contienen miles de contratos con múltiples dimensiones (precios de ejercicio, vencimientos, tipos de opción), lo que excede los límites de contexto de los LLM y genera costos computacionales prohibitivos.
• Riesgo de Alucinación: La generación directa de código (Python/SQL) a partir de lenguaje natural a menudo resulta en "alucinaciones" (ej. tickers inválidos, violación de restricciones estrictas), lo cual es inaceptable en entornos financieros de alto riesgo.
• Brecha Semántica: Los modelos tradicionales de comprensión del lenguaje natural no pueden interpretar adecuadamente conceptos financieros complejos como "Delta neutral", "Sesgo de volatilidad" o estructuras multi-leg (ej. Iron Condor).

2. Metodología: Neuro-Simbólica y OQL

Los autores proponen un pipeline neuro-simbólico que desacopla la comprensión semántica de la ejecución financiera determinista. El núcleo de esta solución es el Lenguaje de Consulta de Opciones (OQL).

A. Lenguaje de Consulta de Opciones (OQL)

OQL es un lenguaje de dominio específico (DSL) que actúa como una representación intermedia. En lugar de pedir al LLM que genere código ejecutable o procese datos brutos, el LLM actúa como un parser semántico que traduce la intención del usuario en consultas OQL estructuradas.

• Abstracción Basada en Roles: Las estrategias se definen mediante un esquema de roles fijos (ej. "Short Call", "Long Put" en un Iron Condor). Esto asegura la validez estructural y evita combinaciones semánticamente inválidas.
• Filtrado por Alcance (Scoped Filtering):
  • Nivel de Pierna (Leg-level): Restricciones aplicadas a contratos individuales (ej. Delta, días hasta el vencimiento) antes de ensamblar la estrategia.
  • Nivel de Estrategia (Strategy-level): Restricciones aplicadas al conjunto ensamblado (ej. Delta neta, pérdida máxima, relación riesgo-recompensa).
• Coincidencia Semántica Suave (Soft-Matching): Utiliza un operador de aproximación (~) para manejar la ambigüedad del lenguaje natural (ej. "alrededor de 30 días"), reduciendo las fallas por restricciones demasiado rígidas.

B. Flujo de Ejecución

El sistema opera en dos etapas:

1. Parsing Semántico: Un LLM convierte la intención natural (ej. "Encuentra un Iron Condor neutral en delta para SPY") en una consulta OQL válida.
2. Ejecución Determinista: Un motor especializado valida la sintaxis, filtra la cadena de opciones masiva mediante vectores, ensambla las piernas de la estrategia y aplica las restricciones agregadas para devolver un conjunto de estrategias ejecutables y verificables.

3. Contribuciones Clave

1. Introducción de OQL: Un lenguaje de consulta diseñado específicamente para codificar lógica de derivados complejos (Griegos, estructuras multi-leg) en un formato eficiente y riguroso.
2. Nuevo Dataset y Benchmark: Creación del primer conjunto de datos estandarizado para la tarea "Lenguaje Natural → Estrategia de Opciones", que incluye 200 instrucciones diversas y un entorno de evaluación que evita el sesgo de visión hacia el futuro (look-ahead bias) utilizando datos de 2025.
3. Extensión del Paradigma Text-to-SQL: Adaptación exitosa de la generación de consultas a un dominio financiero donde la "base de datos" es el espacio masivo de opciones y el "resultado" es un conjunto estructurado de estrategias de trading, demostrando que la consulta estructurada supera a la generación libre.

4. Resultados Experimentales

Los experimentos compararon el enfoque OQL con tres líneas base: Generación Libre de Piernas (FFLG), Contexto de Cadena Parcial (PCG) y Text-to-SQL estándar.

• Calidad de la Consulta: Los modelos grandes lograron tasas de validez (VR) superiores al 87%. Se observó que los modelos especializados en código (como DeepSeek-Coder-6.7B) a menudo superaron a modelos más grandes pero generales en rentabilidad y tasa de aciertos, sugiriendo que el razonamiento sintáctico específico del dominio es más crítico que el tamaño de los parámetros.
• Rendimiento de la Estrategia:
  • OQL superó consistentemente a las líneas base en métricas de riesgo y rentabilidad.
  • Reducción de Riesgo: OQL redujo significativamente las "alucinaciones" peligrosas. Por ejemplo, DeepSeek-Chat con OQL redujo el riesgo en el percentil 90 (Risk@90) para compradores del 46.1% (en SQL) al 18.6%, mientras mantenía la tasa de aciertos más alta (60.9%).
  • Rentabilidad: OQL logró un Retorno sobre Costo (ROC) y beneficios netos superiores, evitando los resultados de alta varianza y alto riesgo comunes en los métodos PCG.
• Eficiencia: Aunque OQL consume más tokens que la generación libre, ofrece la mejor relación costo-eficacia al mantener una alta tasa de aciertos en caché (88.5%) y evitar los costos prohibitivos de recuperar datos parciales ineficaces.

5. Significado e Impacto

Este trabajo representa un avance fundamental en la automatización del trading de derivados:

• Fiabilidad Operativa: Al separar la lógica lingüística de la ejecución financiera, el sistema garantiza que las estrategias generadas sean lógicamente válidas y ejecutables, mitigando el riesgo de errores catastróficos en mercados reales.
• Democratización del Trading Cuantitativo: Permite que traders no técnicos expresen intenciones complejas en lenguaje natural, traduciéndolas automáticamente en estrategias de opciones robustas sin necesidad de programar manualmente.
• Nueva Dirección de Investigación: Establece un nuevo estándar para la interacción LLM-mercados financieros, demostrando que los enfoques neuro-simbólicos son superiores a la generación puramente generativa para tareas de alta precisión y restricciones estrictas.

En conclusión, el framework OQL transforma la búsqueda de estrategias de opciones de un proceso propenso a errores y dependiente de expertos humanos a un proceso escalable, verificable y automatizado.