From Natural Language to Executable Option Strategies via Large Language Models

Cet article présente un pipeline neuro-symbolique utilisant un langage intermédiaire spécifique au domaine, l'OQL, pour transformer avec précision les intentions de trading en langage naturel en stratégies d'options exécutables, surmontant ainsi les limites des modèles de langage générant directement du code.

L'essentiel

Imaginez que vous voulez investir en bourse, mais que vous ne savez pas coder et que les options financières (des contrats complexes) ressemblent à du chinois pour vous. Vous avez une idée simple : "Je pense que le prix de l'entreprise X va rester stable, donc je veux gagner de l'argent sans prendre trop de risques."

Dans le monde réel, pour transformer cette phrase en un ordre d'achat concret, il faut un expert financier (un "quant") qui passe des heures à faire des calculs complexes sur des milliers de contrats.

C'est là que cette recherche intervient. Voici une explication simple de leur découverte, avec quelques images pour mieux comprendre.

1. Le Problème : Le "Traducteur" qui fait des erreurs

Les nouvelles intelligences artificielles (les LLM, comme moi) sont excellentes pour écrire du code ou parler. Mais si on leur demande directement de créer une stratégie d'options à partir d'une phrase, c'est comme demander à un enfant de 5 ans de réparer un avion en vol.

• Le risque : L'IA peut inventer des chiffres (hallucinations), oublier des règles strictes, ou proposer des combinaisons impossibles. C'est trop dangereux pour l'argent réel.
• La complexité : Il y a des milliers de contrats (prix, dates, types). L'IA se perd dans ce chaos.

2. La Solution : Le "Langage de Commande" (OQL)

Les auteurs ont créé un outil magique appelé OQL (Option Query Language).

Imaginez que vous êtes dans un restaurant très sophistiqué (le marché financier).

• Sans OQL : Vous commandez au chef en criant : "Je veux un plat qui me fasse plaisir, pas trop cher, avec des légumes, mais pas de tomates, et qui soit prêt dans 10 minutes !" Le chef est perdu, il invente des choses, et vous arrive un plat bizarre.
• Avec OQL : Vous ne parlez pas directement au chef. Vous parlez à un maître d'hôtel expert (l'IA).
  1. Vous dites au maître d'hôtel : "Je veux un plat végétarien, sans tomates, budget 20€."
  2. Le maître d'hôtel traduit votre demande en un code secret (l'OQL) que le chef comprend parfaitement : "Recette #452, sans tomate, prix max 20."
  3. Le chef (le moteur d'exécution) suit ce code à la lettre. Pas d'erreur possible.

En résumé : L'IA ne construit plus le plat elle-même. Elle traduit votre envie en une "recette" précise et vérifiée, que le système financier exécute ensuite.

3. Comment ça marche ? (Les 3 étapes)

1. L'Interprète (L'IA) : Vous entrez votre idée en langage naturel. L'IA la transforme en une phrase courte et structurée (l'OQL) qui ressemble un peu à du SQL (le langage des bases de données), mais adapté aux options financières.
   • Exemple : Au lieu de dire "Vends des options", l'IA écrit : SELECT IRON_CONDOR WHERE Delta ~ 0.
2. Le Gardien (Le Moteur) : Un programme informatique vérifie que cette phrase respecte toutes les règles mathématiques et financières. C'est comme un contrôleur de sécurité qui s'assure que l'avion a assez de carburant avant de décoller.
3. L'Exécution : Si tout est vert, le système cherche dans la "base de données" des milliers de contrats ceux qui correspondent exactement à votre demande et vous propose la meilleure stratégie.

4. Pourquoi c'est génial ?

Les chercheurs ont testé cette méthode avec de nombreuses IA et ont comparé les résultats avec des méthodes plus anciennes (où l'IA essayait de deviner directement).

• Moins d'erreurs : Comme l'IA ne fait que traduire et ne calcule pas elle-même, elle ne se trompe pas sur les chiffres.
• Plus de sécurité : Le système rejette automatiquement les stratégies trop dangereuses.
• Meilleurs résultats : Dans leurs tests, les stratégies trouvées avec ce système ont gagné plus d'argent et perdu moins que celles trouvées par les méthodes classiques.

L'analogie finale : Le GPS Financier

Pensez à cette méthode comme à un GPS pour la bourse.

• Avant, vous deviez lire une carte papier complexe (les données financières) et deviner le chemin vous-même.
• Aujourd'hui, vous dites juste : "Je veux aller à la plage sans prendre d'impasse" (votre intention).
• Le GPS (l'IA + OQL) calcule l'itinéraire parfait, vérifie qu'il n'y a pas de travaux (les contraintes financières) et vous guide pas à pas.

En conclusion : Cette recherche permet à n'importe qui, même sans être un expert en mathématiques, de demander à une intelligence artificielle de créer des stratégies d'investissement complexes et sûres, simplement en parlant comme un humain. C'est un grand pas vers la démocratisation de la finance de précision.

Résumé technique

1. Problématique

L'application des Grands Modèles de Langage (LLM) dans le domaine financier a principalement concerné les marchés actions (prévision de prix, analyse de sentiment). Cependant, la conception et l'exécution de stratégies sur options (dérivés financiers complexes) restent un défi majeur pour plusieurs raisons :

• Complexité des données : Les chaînes d'options (option chains) contiennent des milliers de contrats avec des dimensions multiples (prix d'exercice, dates d'expiration, types Call/Put, Grecques), dépassant souvent les limites de contexte des LLM.
• Risque d'hallucination : Une génération directe de code (Python/SQL) à partir d'intentions naturelles entraîne souvent des erreurs critiques (tickers invalides, violation de contraintes strictes, Grecques incohérentes), ce qui est inacceptable dans un environnement financier à haut risque.
• Manque de rigueur logique : Les modèles traditionnels de compréhension du langage naturel (NLU) peinent à interpréter des concepts financiers abstraits comme "Delta-neutre" ou "Skew de volatilité" avec la précision requise pour l'exécution.

L'objectif est donc de transformer des intentions commerciales vagues (ex: "Trouver une stratégie Iron Condor neutre en Delta sur SPY") en stratégies d'options exécutables, vérifiables et logiquement cohérentes.

2. Méthodologie : Le Pipeline Neuro-Symbolique

Les auteurs proposent une architecture en deux étapes qui découple le raisonnement sémantique du moteur d'exécution déterministe, évitant ainsi de demander au LLM de gérer directement les données brutes du marché.

A. Langage de Requêtes sur Options (OQL - Option Query Language)

Au lieu de générer du code libre, le LLM est contraint de générer des requêtes dans un langage spécifique au domaine (DSL) appelé OQL. Ce langage agit comme une représentation intermédiaire abstraite.

• Abstraction basée sur les rôles : Chaque stratégie est définie par un schéma de rôles (ex: "Short Call", "Long Put"). Le LLM assigne des contrats à ces rôles, garantissant la validité structurelle (ex: éviter d'assigner deux Calls à une stratégie Straddle).
• Filtrage par portée (Scoped Filtering) :
  • Niveau Jambe (Leg-level) : Contraintes appliquées aux contrats individuels (ex: Delta > 0.15, Days to Expiry ~ 45).
  • Niveau Stratégie : Contraintes appliquées après l'assemblage (ex: Delta Net < 0.1, Ratio Risque/Récompense).
• Appariement Sémantique Souple : Utilisation d'un opérateur ~ pour gérer les approximations linguistiques (ex: "environ 30 jours") sans échouer sur des contraintes numériques trop rigides.

B. Flux d'Exécution

1. Parsing Sémantique (LLM) : Le LLM convertit l'intention naturelle en une requête OQL structurée.
2. Compilation Déterministe (Moteur OQL) : Un moteur spécialisé valide la syntaxe, vérifie les contraintes structurelles, filtre les données de la chaîne d'options (Option Chain) via des opérations vectorisées, assemble les jambes (legs) et applique les contraintes globales pour produire un ensemble de stratégies valides.

3. Contributions Clés

1. Introduction de l'OQL : Un langage de requête déclaratif qui encode la logique complexe des dérivés (Grecques, structures multi-jambes) dans un format efficace en tokens et rigoureux pour l'exécution.
2. Premier Benchmark Spécialisé : Création d'un nouveau dataset contenant 200 instructions de trading d'options variées, couvrant différents régimes de marché (tendance, range-bound, volatilité) sur des actifs comme SPY, NVDA, TSLA, etc. Les données sont strictement limitées à l'année 2025 pour éviter les biais de "voyage dans le temps" (look-ahead bias).
3. Extension du paradigme Text-to-SQL : Adaptation réussie de la génération de requêtes textuelles à un domaine financier complexe où la "base de données" est l'espace immense des chaînes d'options et le "résultat" est un ensemble de stratégies structurées.

4. Résultats Expérimentaux

Les expériences comparent l'approche OQL avec trois baselines :

• FFLG (Free-Form Leg Generation) : Génération directe de jambes sans données de marché.
• PCG (Partial-Chain Grounded) : Génération basée sur une partie de la chaîne d'options (RAG).
• Text-to-SQL : Génération de requêtes SQL standard.

Résultats principaux :

• Fiabilité et Validité : L'OQL atteint des taux de validité syntaxique (VR) supérieurs à 87% sur tous les grands modèles testés, contre des taux bien inférieurs pour les méthodes non structurées.
• Performance Financière : Les stratégies générées par OQL surpassent significativement les baselines en termes de Win Rate (taux de réussite) et de gestion des risques.
  • Exemple : Avec le modèle DeepSeek-Chat, l'OQL réduit le risque de perte extrême (Risk@90) à 18,6% contre 46,1% pour le Text-to-SQL, tout en obtenant le meilleur taux de réussite global (60,9%).
• Efficacité des Modèles Spécialisés : Les modèles de codage plus petits (ex: DeepSeek-Coder-6.7B) surpassent parfois des modèles plus grands (GPT-4.1-Mini) en rentabilité, suggérant que la capacité à raisonner sur la syntaxe spécifique du domaine est plus critique que la simple taille des paramètres.
• Résilience aux Hallucinations : L'approche neuro-symbolique élimine les stratégies "fantômes" ou invalides fréquentes dans les méthodes de génération libre.

5. Signification et Impact

Ce travail marque une avancée significative vers l'automatisation du trading d'options par IA :

• Passage du "Chatbot" à l'Agent Exécutable : Il démontre que les LLM ne doivent pas être utilisés comme des générateurs de code brut, mais comme des parseurs sémantiques fiables au sein d'un pipeline contrôlé.
• Gestion des Risques : En introduisant une couche de validation déterministe, le système rend l'IA utilisable dans des environnements financiers réels où l'erreur est coûteuse.
• Démocratisation : Cela permet à des traders non-experts (ou à des agents autonomes) de formuler des stratégies complexes en langage naturel, le système se chargeant de la traduction technique rigoureuse.
• Perspectives Futures : Les auteurs prévoient d'étendre OQL vers des designs de jambes libres (au-delà des modèles prédéfinis) et d'intégrer des contraintes de portefeuille existant pour une gestion de risque adaptative.

En résumé, cette étude prouve qu'une approche neuro-symbolique (combinaison de l'intelligence sémantique des LLM et de la logique rigide des moteurs d'exécution) est la voie la plus prometteuse pour appliquer l'IA aux marchés dérivés complexes.