From Natural Language to Executable Option Strategies via Large Language Models

Dit paper introduceert OQL, een domeinspecifieke tussenrepresentatie die grote taalmodellen in staat stelt om natuurlijke taalhandelintenties betrouwbaar om te zetten in uitvoerbare optiestrategieën via een neuro-symbolische pijplijn, waardoor de nauwkeurigheid en logische consistentie aanzienlijk worden verbeterd.

De kern

🎯 De Droom: Van "Ik wil dat" naar "Hier is je plan"

Stel je voor dat je naar een supergeavanceerde chef-kok (een Groot Taalmodel of LLM) loopt en zegt: "Ik wil een gerecht dat zout is, maar niet te zout, met een vleugje citroen, en het moet klaar zijn voor 19:00."

In de wereld van de beurs is dit wat beleggers willen doen. Ze willen tegen een slimme computer zeggen: "Ik denk dat de markt de komende maand stil blijft staan, maar de onrust (volatiliteit) is hoog. Zoek me een strategie die geld oplevert zonder dat ik te veel risico loop."

Het probleem? De computer is geweldig in het begrijpen van taal, maar vreselijk in het direct uitvoeren van complexe financiële taken. Als je hem vraagt om direct een handelsplan te schrijven, maakt hij vaak fouten. Hij bedenkt misschien aandelen die niet bestaan, of hij rekent verkeerd. Het is alsof je de chef vraagt om direct in de keuken te springen zonder recept: hij kan de ingrediënten verwarren en de pan laten aanbranden.

🛠️ De Oplossing: De "OQL" (De Vertaler)

De auteurs van dit papier (van o.a. de City University of Hong Kong) hebben een slimme oplossing bedacht. Ze hebben een tussenstap ingebouwd, genaamd OQL (Option Query Language).

Hier is hoe het werkt, vergeleken met een bouwproject:

1. De Klant (Jij): Je zegt tegen de architect: "Ik wil een huis bouwen dat veilig is, maar ook energiezuinig." (Dit is je natuurlijke taal).
2. De Architect (Het LLM): In plaats van direct de bakstenen te gaan leggen (wat foutgevoelig is), tekent de architect eerst een technisch blauwdruk. Dit is de OQL.
   • De blauwdruk is geen gewone tekst, maar een strakke, gestructureerde lijst met regels: "Gebruik type A bakstenen, muurhoogte 3 meter, dakisolatie X."
   • De architect hoeft niet te weten hoe je de bakstenen legt, hij hoeft alleen maar de blauwdruk te maken die perfect past bij jouw wensen.
3. De Bouwvakkers (De Engine): Een speciale machine (de uitvoerings-engine) leest de blauwdruk. Omdat de blauwdruk zo strak is, kan deze machine geen fouten maken. Hij zoekt in de enorme database van alle beschikbare opties (de "bakstenen") precies die combinaties die aan de blauwdruk voldoen.

🧩 Waarom is dit zo slim?

In de financiële wereld zijn er duizenden verschillende opties (contracten) op elk moment. Het is als een bibliotheek met miljoenen boeken.

• Het oude probleem: Als je een robot vraagt om "een goed boek over de oorlog" te vinden, kan hij in de war raken door de miljoenen boeken en misschien een boek over een video-game geven dat "oorlog" in de titel heeft. Of hij verzint een boek dat niet bestaat.
• De nieuwe methode (OQL): De robot vertaalt jouw zin eerst naar een zoekopdracht (zoals in Google of een bibliotheekcatalogus): "Zoek: Genre = Geschiedenis, Onderwerp = Tweede Wereldoorlog, Jaar < 1950."
  • Deze zoekopdracht is zo strak dat de computer niet kan hallucineren (niet kan verzinnen). Hij vindt alleen wat er echt is.

📊 Wat hebben ze ontdekt?

De onderzoekers hebben getest of dit werkt met echte data uit 2025 (ja, ze hebben een nieuwe dataset gemaakt met toekomstige marktsituaties om eerlijk te testen).

• Resultaat: De methode werkt veel beter dan het laten "dromen" van de computer.
• Veiligheid: De strategieën die via deze blauwdruk (OQL) werden gevonden, waren veiliger en maakten minder fouten dan wanneer de computer direct probeerde een plan te schrijven.
• Slimme robots: Zelfs kleinere, goedkopere computermodellen konden goede resultaten boeken als ze deze blauwdruk-methode gebruikten. Het was alsof je een slimme leerling een strakke formule geeft in plaats van hem te laten raden.

🎭 De Analogie: De DJ en de Setlist

Stel je voor dat je een DJ (het LLM) wilt inhuren voor een feestje.

• Zonder OQL: Je zegt: "Speel een goede set!" De DJ begint dan willekeurig nummers te draaien. Misschien speelt hij een ballad terwijl iedereen aan het dansen is, of hij draait een nummer dat niet op de plaat staat (een hallucinatie).
• Met OQL: Je zegt: "Speel een set die begint met 80s hits, gaat over in techno, en eindigt met een rustig nummer." De DJ schrijft dit eerst op in een setlist (de OQL). Vervolgens gaat hij naar zijn collectie platen en pakt alleen de nummers die op die lijst staan.
  • Het resultaat? Een perfecte avond, precies zoals jij het wilde, zonder dat de DJ in de war raakt of foute platen pakt.

💡 Conclusie

Dit onderzoek laat zien dat we AI niet hoeven te dwingen om alles zelf te "bedenken" en uit te voeren. In plaats daarvan moeten we AI gebruiken als een slimme vertaler die onze wensen omzet in een strakke, foutloze instructie (de blauwdruk). Daarna laat je een speciale machine die instructie uitvoeren.

Dit maakt het mogelijk voor gewone mensen om complexe beleggingsstrategieën te vragen, zonder dat ze zelf een wiskundig genie hoeven te zijn of bang hoeven te zijn dat de computer iets verzonnen doet. Het is de brug tussen "Ik heb een idee" en "Hier is het werkende plan".

Technische samenvatting

Titel: Van Natuurlijke Taal naar Uitvoerbare Optiestrategieën via Grote Taalmodellen

Auteurs: Haochen Luo et al. (City University of Hong Kong, CUHK Shenzhen, etc.)

---

1. Het Probleem

Grote Taalmodellen (LLM's) zijn uitstekend in het genereren van algemene code, maar het vertalen van complexe handelsintenties in natuurlijke taal (NL) naar correcte en uitvoerbare optiestrategieën blijft een groot uitdaging.

• Complexiteit van Opties: Het ontwerp van optiestrategieën vereist redeneren over enorme, multidimensionale datasets (optieketens) met duizenden contracten, verschillende uiterlijke data's en strike-prijzen.
• Beperkingen van Directe Generatie:
  • Contextlimieten: De ruwe data van optieketens overschrijdt vaak de contextlimiet van LLM's.
  • Hallucinaties: Directe "Text-to-Code" generatie (bijv. Python of SQL) leidt vaak tot hallucinaties, zoals ongeldige tickers of het schenden van strikte financiële constraints (bijv. "Delta-neutraal" zijn).
  • Gebrek aan Domijnkennis: Traditionele NLU-modellen kunnen complexe financiële concepten zoals "Delta-neutraal" of "Volatiliteitsskeef" niet goed interpreteren.
• Huidige Status: Het ontwerpen van dergelijke strategieën is momenteel voorbehouden aan kwantitatieve analisten die rigide, programmeerbare systemen gebruiken. Er is geen gestandaardiseerde manier om NL-intenties direct om te zetten in veilige, uitvoerbare handelslogica voor derivaten.

2. Methodologie: De Neuro-Symbolische Aanpak

De auteurs introduceren een tweestapsproces dat LLM's combineert met deterministische uitvoering via een tussenliggende taal.

A. Option Query Language (OQL)

In plaats van LLM's te laten werken met ruwe data of vrije code, introduceren ze OQL, een domeinspecifieke querytaal (DSL).

• Rol-gebaseerde abstractie: Strategieën worden gedefinieerd via een vast schema van rollen (bijv. "Short Call", "Long Put" voor een Iron Condor). Dit voorkomt semantisch ongeldige combinaties.
• Gescopede filtering:
  • Leg-level constraints (WHERE): Filteren op individuele contracten (bijv. Delta, Days to Expiry).
  • Strategy-level constraints (HAVING): Filteren op de samengestelde strategie (bijv. netto Delta, maximale verlies).
• Semantische soft-matching: Een operator (~) stelt LLM's in staat om benaderende waarden te specificeren (bijv. "ongeveer 30 dagen") zonder exacte hallucinaties, wat de robuustheid verhoogt.

B. Het Neuro-Symbolische Werkproces

Het systeem splitst het probleem op in twee fasen (vergelijkbaar met Figuur 2 in het paper):

1. Semantische Parsing (LLM): De LLM fungeert als een parser die de natuurlijke taal intentie ($x$) vertaalt naar een gestructureerde OQL-query ($z$). De LLM hoeft geen financiële logica te berekenen, maar alleen de intentie te coderen in de juiste syntaxis.
2. Deterministische Uitvoering (Engine): Een gespecialiseerde compiler voert de OQL-query deterministisch uit op de marktdata. Dit omvat:
   • Parsen naar een Abstract Syntax Tree (AST).
   • Vector-filtering van de optieketen om kandidaat-contracten te vinden.
   • Combinatorische assemblage van benen (legs) en toepassing van aggregate constraints.
   • Retourneren van een gerankte set van geldige strategieën.

De formule voor dit proces is: $P(y|x, D) = \sum P_\theta(z|x) \cdot P_\phi(y|z, D)$, waarbij de probabilistische aard van de LLM beperkt blijft tot de intentie-parsing, terwijl de financiële uitvoering verifieerbaar en logisch blijft.

3. Belangrijkste Bijdragen

1. OQL (Option Query Language): De eerste domeinspecifieke taal die complexe derivatenlogica (Greeks, multi-leg structuren) codeert in een token-efficiënte, uitvoeringsstrenge formaat.
2. Nieuw Dataset en Benchmark: De auteurs hebben een dataset van 200 diverse optiehandel-instructies samengesteld, gebaseerd op marktregimes van 2025 (om "time-travel" bias te voorkomen). Dit omvat onderliggende activa zoals SPY, NVDA, en TSLA met gelabelde marktsituaties (trend, range-bound, etc.).
3. Extensie van Text-to-SQL: Ze passen het Text-to-SQL-paradigma toe op een aangepaste financiële context, waarbij de "database" een enorme ruimte van optiecontracten is en het resultaat een gestructureerde set strategieën.
4. Empirische Validatie: Ze tonen aan dat hun neuro-symbolische pijplijn significant beter presteert dan directe baselines in termen van uitvoeringsnauwkeurigheid en logische consistentie.

4. Resultaten en Analyse

De experimenten omvatten verschillende LLM's (van GPT-4.1 tot kleinere coder-modellen zoals DeepSeek-Coder) en vergelijkingen met baselines (Free-Form Leg Generation, Partial-Chain Grounded, en standaard Text-to-SQL).

• Validiteit en Kwaliteit: Alle grote modellen behaalden een Validity Rate (VR) van boven de 87%. OQL verminderde hallucinaties aanzienlijk.
• Prestatie vs. Grootte: Een verrassende bevinding was dat gespecialiseerde coder-modellen (zoals DeepSeek-Coder-6.7B) vaak beter presteerden in winstgevendheid en winstpercentages dan grotere, algemene modellen (zoals GPT-4.1-Mini). Dit suggereert dat domeinspecifieke syntaxis-redenering belangrijker is dan pure modelgrootte voor deze taak.
• Risicobeheer: OQL presteerde aanzienlijk beter in risicobeheer. Bijvoorbeeld, DeepSeek-Chat met OQL verlaagde het risico (Risk@90) voor kopers van 46,1% (bij SQL) naar 18,6%, terwijl het het hoogste winstpercentage (60,9%) behaalde.
• Efficiency: Hoewel OQL iets meer tokens gebruikt dan ruwe generatie, is het veel efficiënter dan methoden die volledige optieketens moeten laden (PCG), met een cache-hit rate van 88,5%.
• Backtesting: Strategieën gegenereerd via OQL toonden consistent hogere winstpercentages en betere risicogecorrigeerde rendementen (ROC) dan baselines. De resultaten bevestigen dat semantische nauwkeurigheid (het correct vertalen van intentie) een betere voorspeller is voor financiële prestaties dan alleen het genereren van syntactisch geldige code.

5. Significatie en Toekomstperspectief

• Automatisering van Derivatenhandel: Dit werk is een eerste systematische stap naar het automatiseren van complexe optiestrategieën via natuurlijke taal, wat eerder een exclusief domein van menselijke kwantitatieve analisten was.
• Betrouwbaarheid: Door de scheiding tussen semantische parsing en deterministische uitvoering, biedt het systeem de betrouwbaarheid die nodig is voor financiële toepassingen, waarbij fouten kostbaar kunnen zijn.
• Toekomstige Werk: De auteurs plannen om OQL uit te breiden naar vrijere been-ontwerpen (niet alleen vooraf gedefinieerde strategieën), ondersteuning toe te voegen voor bestaande portefeuilles (om strategieën aan te passen aan huidige posities), en realistischere handelsfricties en risicobeheer te integreren.

Conclusie: Het paper demonstreert dat het combineren van LLM's met een gestructureerde, domeinspecifieke tussenlaag (OQL) en een deterministische uitvoeringsengine een krachtige oplossing biedt voor het vertalen van vage handelsintenties naar uitvoerbare, veilige en winstgevende optiestrategieën.