From Natural Language to Executable Option Strategies via Large Language Models

이 논문은 대규모 언어 모델 (LLM) 이 자연어 기반의 거래 의도를 정확하게 실행 가능한 옵션 전략으로 변환할 수 있도록 도메인 특화 중간 표현인 '옵션 쿼리 언어 (OQL)'와 신경-심볼릭 파이프라인을 제안하여 기존 직접 생성 방식의 한계를 극복하고 실행 정확도 및 논리적 일관성을 크게 향상시켰음을 보여줍니다.

핵심

이 논문은 **"복잡한 금융 용어를 평범한 말로 바꾸면, AI 가 자동으로 주식 옵션 거래 전략을 찾아주는 시스템"**을 소개합니다.

기존의 AI 는 코딩이나 일반 대화는 잘하지만, **"SPY(미국 지수 추종 ETF) 의 변동성이 높을 때, 손실은 적고 수익은 꾸준히 나오는 '아이언 콘도르' 전략을 찾아줘"**라는 복잡한 주문을 받으면 헷갈리거나 엉뚱한 코드를 만들어냅니다.

이 문제를 해결하기 위해 연구팀은 **OQL(옵션 쿼리 언어)**이라는 새로운 도구를 개발했습니다. 이를 이해하기 쉽게 세 가지 비유로 설명해 드릴겠습니다.

---

1. 문제 상황: "요리사에게 재료만 던져주는 것"

지금까지 AI 에게 옵션 전략을 만들게 하려면, 수천 개의 옵션 계약 데이터 ( Strike Price, 만기일, 가격 등) 를 그대로 AI 에게 보여주고 "이거 보고 좋은 조합 찾아줘"라고 해야 했습니다.

• 비유: 마치 **초보 요리사 (AI)**에게 거대한 식료품 창고 전체의 재료를 통째로 던져주고, "이걸로 맛있는 스테이크 만들어줘"라고 시키는 것과 같습니다.
• 결과: 요리사는 재료가 너무 많아서 당황하거나, "소금 대신 설탕을 넣어야지?"라고 엉뚱한 실수를 하거나 (할루시네이션), 아예 아무것도 못 찾아냅니다.

2. 해결책: "전문 요리사 (OQL) 를 고용하다"

이 논문은 AI 가 직접 재료를 고르는 대신, AI 를 '명령어 번역기'로만 사용하게 했습니다.

1. 사용자 (당신): "SPY 가 횡보할 때, 15 델타 날개를 팔아서 프리미엄을 받고, 위험은 0 에 가깝게 해줘"라고 **평범한 말 (자연어)**로 말합니다.
2. AI (번역기): 이 말을 듣고 **"OQL"**이라는 전문 요리사용 주문서로 번역합니다.
   • 예시: "SELECT IRON_CONDOR FROM SPY WHERE Delta ~ 0.15..."
   • 이 주문서는 AI 가 임의로 코드를 짜는 게 아니라, 엄격한 문법 규칙을 따르는 짧은 명령어입니다.
3. 엔진 (전문 요리사): 이 주문서를 받아 실제 시장 데이터 (식료품 창고) 에서 딱 맞는 재료만 골라 조합합니다.

• 핵심: AI 는 "무엇을 만들지"만 생각하고, "어떻게 만들지 (데이터 검색)"는 신뢰할 수 있는 기계가 대신합니다.

3. 왜 이것이 중요한가? "안전장치가 있는 자동 운전"

기존 방식은 AI 가 직접 코드를 짜게 해서, 잘못된 주식을 사거나 위험한 거래를 할 수 있었습니다. 하지만 이 방식은 **문법적 틀 (OQL)**을 먼저 거치기 때문에:

• 안전: "델타 중립 (위험 제로)"이라는 조건을 넣으면, 엔진이 수학적으로 그 조건을 만족하는 조합만 찾아냅니다. AI 가 "아, 델타가 0 이라고? 그럼 100% 안전하겠지!"라고 착각할 수 없습니다.
• 정확도: 실험 결과, 이 방식을 쓰면 AI 가 엉뚱한 거래를 하거나 실패할 확률이 크게 줄어들었고, 실제 수익률도 기존 방식보다 훨씬 좋았습니다.

요약: 이 연구의 핵심 메시지

이 연구는 **"AI 가 금융 전문가가 되는 길은, AI 에게 모든 데이터를 다 보여주는 게 아니라, AI 가 이해할 수 있는 '전문 용어 (OQL)'로 대화하게 하는 것"**임을 증명했습니다.

• 기존: AI + 방대한 데이터 = 혼란과 실수
• 새로운 방식: AI (번역기) + OQL (명령어) + 엔진 (검색기) = 정확하고 안전한 투자 전략

마치 자율주행 자동차가 운전자가 "서울로 가줘"라고 말하면, AI 가 직접 도로를 탐색하는 게 아니라 정해진 내비게이션 규칙을 따라 가장 안전한 경로를 찾아주는 것과 같습니다. 이제 일반인도 복잡한 옵션 거래를 AI 를 통해 쉽게 설계할 수 있는 길이 열렸습니다.

기술 요약

1. 문제 정의 (Problem Definition)

• 배경: 대형 언어 모델 (LLM) 은 일반적인 코드 생성 능력이 뛰어나지만, 자연어 (Natural Language, NL) 로 표현된 거래 의도를 복잡한 옵션 전략으로 변환하는 작업은 여전히 큰 도전 과제입니다.
• 주요 난제:
  1. 고차원 데이터: 옵션 체인 (Option Chain) 은 수천 개의 계약 (행사가, 만기일, 콜/풋 등) 으로 구성되어 있어 LLM 의 컨텍스트 한계를 초과하거나 계산 비용을 과도하게 발생시킵니다.
  2. 엄격한 제약 조건: 옵션 전략은 델타 (Delta), 감마 (Gamma) 등 그리스 (Greeks) 값, 손실 제한, 헤지 비율 등 매우 엄격한 논리적 제약을 따르며, 이를 위반하면 금융 시장에서 치명적인 결과를 초래할 수 있습니다.
  3. 할루시네이션 (Hallucination): 기존 '텍스트 - 투 - 코드 (Text-to-Code)' 방식은 잘못된 티커를 생성하거나 제약 조건을 무시하는 등 할루시네이션이 빈번하여 고위험 금융 환경에서 신뢰할 수 없습니다.
  4. 전문성 부족: 기존 연구는 주로 주식 시장 (주가 예측, 뉴스 감성 분석) 에 집중되어 있으며, 파생상품 (옵션) 의 전략 설계 및 실행에 대한 LLM 적용은 거의 연구되지 않았습니다.

2. 제안된 방법론: OQL 및 신경 - 심볼릭 파이프라인 (Methodology)

저자들은 자연어 의도와 실행 가능한 금융 로직 사이의 간극을 메우기 위해 옵션 쿼리 언어 (Option Query Language, OQL) 와 신경 - 심볼릭 (Neuro-Symbolic) 파이프라인을 제안합니다.

A. 옵션 쿼리 언어 (OQL)

LLM 이 raw 데이터를 직접 처리하거나 오류가 많은 Python/SQL 코드를 생성하는 대신, LLM 을 의미 분석기 (Semantic Parser) 로 활용하여 OQL 이라는 도메인 특화 중간 표현 (Intermediate Representation) 을 생성하도록 설계했습니다.

• 역할 기반 추상화 (Role-Based Abstraction): 전략을 'Short Call', 'Long Put'과 같은 의미적으로 구분된 'Leg(다리)' 역할로 정의합니다. 이는 구조적 유효성을 보장하고 의미적으로 잘못된 조합을 방지합니다.
• 범위별 필터링 (Scoped Filtering):
  • WHERE 절: 개별 계약 (Leg) 에 적용되는 제약 (예: 델타 값, 만기일).
  • HAVING 절: 전략 전체에 적용되는 집계 제약 (예: 순 델타 0, 최대 손실 제한).
• 의미적 소프트 매칭 (Semantic Soft-Matching): 자연어의 모호한 표현 (예: "약 30 일") 을 처리하기 위해 ~ 연산자를 도입하여 엄격한 수치를 허용 오차 범위 내에서 매칭되도록 합니다.

B. 신경 - 심볼릭 실행 흐름 (Neuro-Symbolic Execution Flow)

시스템은 두 단계로 구성됩니다:

1. 의미 분석 (Semantic Parsing, LLM): 사용자의 자연어 의도 ($x$) 를 구조화된 OQL 쿼리 ($z$) 로 변환합니다. ($P_\theta(z|x)$)
2. 결정론적 실행 (Deterministic Execution, Engine): OQL 쿼리를 파싱하여 옵션 체인 데이터 ($D$) 에 대해 필터링, leg 조합, 제약 조건 검증을 수행하고 최종 실행 가능한 전략 집합 ($y$) 을 생성합니다. ($P_\phi(y|z, D)$)
   • 이 방식은 LLM 의 확률적 특성을 의도 해석에만 국한시키고, 금융 실행은 검증 가능한 논리적 엔진이 담당하게 하여 신뢰성을 극대화합니다.

3. 주요 기여 (Key Contributions)

1. OQL 도입: 복잡한 파생상품 로직 (그리스, 다중 leg 구조, 만기/행사가 관계) 을 토큰 효율적이면서도 실행이 엄격한 형식으로 인코딩하는 도메인 특화 쿼리 언어를 최초로 제안했습니다.
2. 새로운 벤치마크 및 데이터셋 구축:
   • 자연어 - 옵션 전략 변환을 위한 첫 번째 벤치마크를 제시했습니다.
   • 2025 년 시장 데이터를 기반으로 한 200 개의 다양한 거래 지시문과 평가 세트를 포함하며, '시간 여행 (Look-ahead)' 편향을 방지하기 위해 엄격하게 설계되었습니다.
3. 금융 도메인용 Text-to-SQL 확장: 표준 SQL 을 옵션 전략 검색에 맞게 커스터마이징하여, 구조화된 쿼리가 비구조화된 생성 방식보다 신뢰성과 성능이 월등히 높음을 입증했습니다.

4. 실험 결과 (Results)

• 실험 설정: GPT-4.1, DeepSeek-V3, Gemini-2.5 등 다양한 LLM 과 비교 대상 (Free-Form Leg Generation, Partial-Chain Grounded, Text-to-SQL) 을 사용하여 평가했습니다.
• 주요 성과:
  • 유효성 (Validity): 모든 대형 모델이 0.87 이상의 유효한 OQL 쿼리 생성률을 보였으며, 이는 프레임워크의 견고성을 입증합니다.
  • 전략 성능: OQL 을 사용한 접근 방식은 비구조화된 베이스라인 (FFLG, PCG) 및 일반 Text-to-SQL 보다 **승률 (Win Rate)**이 높고 **리스크 (Risk@90)**가 낮았습니다.
    • 예: DeepSeek-Chat 의 경우 OQL 을 사용할 때 승률 60.9%, 구매자 측 리스크 18.6% 를 기록한 반면, 일반 SQL 은 리스크가 46.1% 로 크게 높았습니다.
  • 모델 특성화: 파라미터 크기보다 도메인 특화 문법 추론 능력이 중요합니다. 작은 모델 (DeepSeek-Coder-6.7B) 이 큰 모델 (GPT-4.1-Mini) 보다 수익성과 승률에서 더 좋은 성과를 내기도 했습니다.
  • 효율성: OQL 은 토큰 소비와 검색 유효성 사이의 최적 균형을 이루며, 캐시 히트율이 88.5% 에 달해 비용 효율성이 뛰어났습니다.

5. 의의 및 결론 (Significance & Conclusion)

• 신뢰성 있는 자동화: 이 연구는 자연어 기반의 복잡한 옵션 전략 설계를 자동화할 수 있는 신뢰할 수 있는 프레임워크를 제시했습니다. LLM 의 할루시네이션을 줄이고, 결정론적 엔진을 통해 금융 제약을 엄격하게 준수하게 함으로써 실제 거래 환경 적용 가능성을 높였습니다.
• 구조적 추론의 중요성: 단순한 지식 생성이 아닌, 도메인 특화된 구조적 언어 (OQL) 를 통한 제약 조건 기반의 추론이 실제 금융 성과 (Alpha) 로 이어진다는 점을 입증했습니다.
• 미래 전망: 향후에는 사전 정의된 전략 템플릿을 넘어 자유로운 Leg 설계로 확장하고, 기존 포트폴리오 보유 상황에 기반한 적응형 전략 생성을 지원할 계획입니다.

요약하자면, 이 논문은 LLM 을 '생성기'가 아닌 '의미 분석기'로 활용하고, 이를 도메인 특화 언어 (OQL) 와 결정론적 실행 엔진으로 연결함으로써, 자연어 기반의 정교한 옵션 거래 전략을 안전하고 정확하게 구현하는 새로운 패러다임을 제시했습니다.