From Natural Language to Executable Option Strategies via Large Language Models

Il paper presenta OQL, un linguaggio di interrogazione specifico per il dominio che, combinato con un dataset nuovo e un approccio neuro-simbolico, permette ai Large Language Models di tradurre in modo affidabile e preciso le intenzioni di trading in linguaggio naturale in strategie di opzioni eseguibili, superando le limitazioni dei metodi di generazione diretta.

L'essenziale

Immagina di voler ordinare un pasto complesso in un ristorante di lusso, ma invece di parlare con lo chef, devi scrivere un codice informatico perfetto per dirgli cosa cucinare. Se sbagli anche solo una virgola, lo chef potrebbe ordinare 100 chili di formaggio invece di un po' di parmigiano, o peggio, potrebbe tentare di cucinare un piatto che non esiste.

Questo è esattamente il problema che gli autori di questo studio hanno affrontato nel mondo della finanza, in particolare con le opzioni (strumenti finanziari complessi usati per scommettere sul futuro o proteggersi dai rischi).

Ecco la spiegazione semplice di cosa hanno fatto, usando metafore quotidiane:

1. Il Problema: "Parlare" con l'Intelligenza Artificiale

Fino a poco tempo fa, se volevi dire a un'Intelligenza Artificiale (LLM) di creare una strategia di trading basata su un'opzione, dovevi dirle cose come: "Voglio un Iron Condor su SPY con delta neutrale".
Il problema è che l'IA, se le chiedi di scrivere direttamente il codice per eseguire questa operazione (come se fosse un programmatore), spesso allucina.

• L'analogia: È come chiedere a un bambino di costruire un ponte con i LEGO basandosi solo su una descrizione a voce. Potrebbe usare pezzi sbagliati, dimenticare di incollarli o costruire un ponte che crolla appena ci passi sopra. Nel trading, un errore del genere costa soldi veri.

2. La Soluzione: Il "Menu" Intermedio (OQL)

Gli autori hanno creato una cosa chiamata OQL (Option Query Language).
Immagina che l'OQL non sia un codice informatico complicato, ma un menu speciale o un modulo di ordinazione molto preciso.

Invece di chiedere all'IA di scrivere il codice finale (il ponte), le chiedi di compilare questo modulo:

• Colonna A: Tipo di strategia (es. "Iron Condor").
• Colonna B: Prezzo di esercizio (Strike).
• Colonna C: Scadenza.
• Colonna D: Regole di sicurezza (es. "Non perdere più di X euro").

L'IA diventa un cameriere esperto che traduce la tua richiesta confusa ("Voglio guadagnare se il mercato sta fermo") in un ordine scritto perfettamente sul modulo OQL.

3. Il Motore: Il "Chef" Infallibile

Una volta che l'IA ha compilato il modulo OQL, questo non viene inviato direttamente al mercato. Viene passato a un motore di esecuzione (un software speciale).

• L'analogia: Il modulo OQL arriva alla cucina (il motore). Lo chef (il motore) legge il modulo. Se c'è un errore grammaticale o se chiedi qualcosa di impossibile (es. "Voglio un'opzione che scade domani ma che è stata emessa l'anno scorso"), lo chef rifiuta l'ordine immediatamente e ti dice: "Non si può fare".
• Se l'ordine è corretto, lo chef lo esegue con precisione matematica, controllando milioni di dati in un secondo per trovare l'opzione perfetta che corrisponde al modulo.

4. Perché è meglio di prima?

Prima, si chiedeva all'IA di fare tutto da sola: capire il mercato, scegliere i pezzi e costruire il codice. Era come dare a un bambino un martello e un chiodo e dire "costruisci una casa".
Ora, con questo sistema Neuro-Simbolico (un mix di intelligenza umana/IA e regole rigide):

1. L'IA fa solo il lavoro creativo: traduce la tua idea in un linguaggio strutturato (il modulo).
2. Il computer fa il lavoro di precisione: verifica che tutto sia matematicamente corretto e sicuro.

I Risultati in Pillole

Gli autori hanno testato questo sistema su dati reali del 2025 (finti, ma realistici) e hanno scoperto che:

• Meno errori: Le strategie create con questo metodo funzionano molto meglio di quelle create direttamente dall'IA.
• Più sicurezza: Il sistema evita di creare strategie pericolose che potrebbero farti perdere tutti i soldi.
• Adattabilità: Funziona bene sia per chi vuole guadagnare molto (strategie aggressive) sia per chi vuole solo proteggersi (strategie difensive).

In Sintesi

Hanno creato un traduttore intelligente che prende le tue idee vaghe ("Voglio scommettere che il mercato non si muoverà troppo") e le trasforma in un ordine di cucina rigoroso che un robot infallibile può eseguire senza sbagliare. È come avere un assistente personale che non solo capisce cosa vuoi, ma che controlla due volte che il tuo piano sia sicuro prima di metterlo in atto.

Sommario tecnico

1. Il Problema: La Sfida della Traduzione NL-Strategia

L'articolo affronta una lacuna significativa nell'applicazione dei Modelli Linguistici su Larga Scala (LLM) al settore finanziario: la capacità di tradurre intenti di trading in linguaggio naturale (NL) in strategie di opzioni eseguibili e corrette.

• Complessità dei Dati: La progettazione di strategie con opzioni richiede il ragionamento su "catene di opzioni" (option chains) massicce e multidimensionali, contenenti migliaia di contratti con diverse scadenze e prezzi di esercizio (strike).
• Limiti della Generazione Diretta: I metodi diretti (Text-to-Code o Text-to-Strategy) falliscono spesso perché:
  • Superano i limiti del contesto degli LLM a causa dell'alto volume di dati grezzi.
  • Generano "allucinazioni" (es. ticker inesistenti, vincoli violati).
  • Non riescono a rispettare i vincoli matematici rigorosi necessari per la validità finanziaria (es. neutralità del Delta, rapporti rischio/rendimento).
• Il Divario Semantico: Gli intenti umani sono spesso vaghi (es. "trova una strategia Iron Condor neutrale al Delta"), mentre l'esecuzione richiede precisione logica e numerica.

2. Metodologia: Neuro-Simbolico e OQL

Gli autori propongono un approccio neuro-simbolico che disaccoppia il ragionamento semantico dal calcolo deterministico, introducendo un linguaggio intermedio chiamato Option Query Language (OQL).

A. Option Query Language (OQL)

L'OQL è un linguaggio di query specifico per il dominio (DSL) che funge da rappresentazione intermedia tra l'intento naturale e l'esecuzione finanziaria.

• Astrazione Basata sui Ruoli: Ogni strategia è definita da uno schema di ruoli (es. Short Call, Long Put). L'OQL mappa i contratti alle leg (gambe) della strategia, garantendo la validità strutturale (es. impedendo di assegnare due call a una strategia che richiede una put).
• Filtraggio a Scopo (Scoped Filtering):
  • Leg-level (WHERE): Filtra i singoli contratti in base a criteri specifici (es. Delta, Days to Expiry, Moneyness).
  • Strategy-level (HAVING): Applica vincoli aggregati dopo la costruzione della strategia (es. Delta Netto, Massima Perdita, Rapporto Rischio/Rendimento).
• Matching Semantico Soft: Introduce l'operatore ~ per gestire condizioni numeriche approssimative tipiche del linguaggio naturale (es. "circa 30 giorni" diventa Dte ~ 30 con una tolleranza predefinita), riducendo i fallimenti dovuti a vincoli troppo rigidi.

B. Pipeline di Esecuzione

Il sistema opera in due fasi distinte:

1. Parsing Semantico (LLM): Un LLM traduce l'intento dell'utente in una query OQL strutturata. In questo modo, l'LLM agisce come un parser semantico affidabile, non come un programmatore libero che genera codice Python o SQL complesso.
2. Esecuzione Deterministica (Motore OQL): Un motore specializzato valida la sintassi della query, filtra i dati di mercato (option chain) in modo vettoriale, assembla le gambe della strategia e applica i vincoli aggregati. Questo garantisce che il risultato finale sia matematicamente valido e privo di allucinazioni.

3. Contributi Chiave

1. Introduzione dell'OQL: Un linguaggio di query specifico per le opzioni che codifica la logica complessa dei derivati (Greci, strutture multi-leg, relazioni scadenza/strike) in un formato token-efficiente e rigoroso.
2. Primo Benchmark per il Task: Creazione di un nuovo dataset contenente 200 istruzioni di trading diverse su asset sottostanti reali (SPY, NVDA, TSLA, ecc.), con annotazioni curate da esperti umani e finestre di backtesting allineate ai regimi di mercato.
3. Estensione del Paradigma Text-to-SQL: Adattamento del paradigma Text-to-SQL a un dominio finanziario complesso, dimostrando che l'uso di un linguaggio strutturato intermedio migliora drasticamente l'affidabilità rispetto alla generazione diretta.

4. Risultati Sperimentali

Gli esperimenti confrontano l'approccio OQL con tre baseline:

• FFLG (Free-Form Leg Generation): Generazione diretta delle gambe senza dati di mercato.
• PCG (Partial-Chain Grounded): RAG (Retrieval-Augmented Generation) con una porzione parziale della catena di opzioni.
• Text-to-SQL: Traduzione diretta in SQL standard.

Risultati Principali:

• Qualità della Query: Tutti i grandi modelli hanno raggiunto tassi di validità (Validity Rate) superiori all'87% con OQL, confermando la robustezza del framework.
• Performance Finanziaria:
  • L'approccio OQL supera significativamente le baseline non strutturate. Ad esempio, utilizzando DeepSeek-Chat, OQL riduce il rischio a coda (Risk@90) per le strategie "Buyer" dal 46.1% (SQL) al 18.6%, mantenendo il più alto tasso di vincita (Win Rate: 60.9%).
  • I modelli specializzati nel codice (es. DeepSeek-Coder-6.7B) hanno mostrato prestazioni superiori in termini di profittabilità rispetto a modelli più grandi ma generici, suggerendo che il ragionamento sulla sintassi di dominio è più critico della semplice dimensione dei parametri.
• Efficienza: OQL offre un ottimo compromesso tra consumo di token e validità della ricerca, con un tasso di "cache hit" dell'88.5%, rendendolo il framework più costo-efficiente per la ricerca di strategie ad alta fedeltà.
• Analisi di Regime: OQL permette ai modelli di adattarsi a diverse condizioni di mercato (volatilità, trend) senza generare strategie rigide o fallimentari.

5. Significato e Impatto

Questo lavoro rappresenta un passo fondamentale verso l'automazione del trading di opzioni.

• Affidabilità: Risolve il problema delle allucinazioni finanziarie critiche, separando la comprensione del linguaggio naturale dalla logica esecutiva rigorosa.
• Democratizzazione: Permette a trader non quantitativi di esprimere intenti complessi in linguaggio naturale, ottenendo strategie strutturate e validate.
• Futuro: Apre la strada a sistemi di trading autonomi più sicuri e interpretabili, dove la logica finanziaria è verificabile matematicamente prima dell'esecuzione. Il framework dimostra che l'integrazione di metodi simbolici (motori deterministici) con modelli neurali (LLM) è la via più promettente per applicazioni finanziarie ad alto rischio.

In sintesi, il paper dimostra che per tradurre il linguaggio naturale in strategie finanziarie complesse, non basta un LLM potente; è necessario un linguaggio intermedio strutturato (OQL) che funga da ponte tra l'ambiguità umana e la precisione matematica dei mercati.