From Natural Language to Executable Option Strategies via Large Language Models

Este artigo apresenta o Option Query Language (OQL), uma representação intermediária específica de domínio que, integrada a um pipeline neuro-simbólico, permite que modelos de linguagem grandes traduzam com maior precisão e consistência lógica intenções de negociação em linguagem natural em estratégias de opções executáveis.

O essencial

Imagine que você quer pedir um prato complexo em um restaurante de luxo, mas você só sabe falar "quero algo gostoso e que não me deixe gordo". Se você falar isso diretamente para o cozinheiro (o modelo de inteligência artificial), ele pode tentar adivinhar, mas o risco de ele trazer um prato estragado, com ingredientes proibidos ou que não existe na cozinha é enorme.

É exatamente esse o problema que os autores deste artigo resolveram para o mundo das opções financeiras (um tipo de investimento complexo).

Aqui está a explicação simples do que eles fizeram:

1. O Problema: O "Tradutor" que Alucina

Os modelos de Inteligência Artificial (como o ChatGPT) são ótimos em escrever código e conversar. Mas, quando você pede para eles criarem uma estratégia de investimento em opções baseada apenas em uma frase (ex: "Quero ganhar dinheiro se o preço do SPY ficar estável"), eles tendem a alucinar.

• A analogia: É como pedir a um turista que nunca viu o mapa da cidade para desenhar o trajeto de um trem. Ele pode desenhar linhas bonitas, mas o trem pode cair num abismo porque ele inventou uma estação que não existe.
• Na prática: O computador pode criar uma estratégia com números impossíveis, violar regras de segurança ou sugerir contratos que não existem no mercado. No mundo financeiro, um erro assim custa muito dinheiro.

2. A Solução: O "Menu Especial" (OQL)

Em vez de deixar o computador escrever o código final diretamente, os autores criaram uma linguagem intermediária chamada OQL (Linguagem de Consulta de Opções).

• A analogia: Pense no OQL como um menu de restaurante com regras rígidas.
  • Você (o cliente) diz ao garçom (a IA): "Quero um prato que seja leve, sem glúten e com frango".
  • O garçom não vai direto para a cozinha gritando "Façam um frango sem glúten!".
  • Em vez disso, ele traduz seu pedido para o Menu OQL: SELECIONAR FRANGO | EXCLUIR TRIGO | ADICIONAR LEGUMES.
  • Esse menu é uma linguagem curta, precisa e que só permite combinações que a cozinha (o mercado) realmente consegue fazer.

3. Como Funciona o Processo (O "Neuro-Simbólico")

O sistema funciona em duas etapas, como uma linha de montagem:

1. O Tradutor (IA): A IA recebe sua frase em português (ou inglês) e a transforma no "Menu OQL". Como o menu tem regras gramaticais estritas, a IA não pode inventar coisas malucas. Ela só pode escolher opções que existem no cardápio.
2. O Cozinheiro (Motor de Execução): Um programa de computador tradicional (não é IA, é lógica pura) pega esse "Menu OQL" e vai até o banco de dados real do mercado. Ele verifica se os ingredientes existem, calcula os preços e monta o prato final. Se algo não bater, ele descarta e tenta outra combinação válida.

4. Por que isso é genial?

• Segurança: A IA não precisa saber de matemática financeira complexa. Ela só precisa saber "traduzir" sua intenção para o menu. A parte difícil (a matemática) é feita por um programa que nunca erra.
• Precisão: Se você diz "quero algo perto de 30 dias", o sistema entende que pode ser 28 ou 32 dias (uma margem de erro aceitável), em vez de travar porque não encontrou exatamente 30.
• Resultados: Nos testes, esse método funcionou muito melhor do que deixar a IA tentar adivinhar a estratégia diretamente. As estratégias geradas foram mais seguras, lucrativas e menos propensas a erros catastróficos.

Resumo da Ópera

Os autores criaram uma ponte segura entre a linguagem humana (cheia de ambiguidades) e a linguagem do mercado financeiro (que exige precisão cirúrgica).

Em vez de deixar a IA "adivinhar" como investir, eles ensinaram a IA a pedir a receita certa para um cozinheiro robô que garante que a receita seja executada perfeitamente. Isso permite que qualquer pessoa, mesmo sem ser um especialista em finanças, possa pedir estratégias de investimento complexas de forma segura e confiável.

Resumo técnico

Resumo Técnico: Da Linguagem Natural a Estratégias de Opções Executáveis via Grandes Modelos de Linguagem

1. O Problema

O uso de Grandes Modelos de Linguagem (LLMs) no setor financeiro tem avançado rapidamente, especialmente em previsão de ações e análise de sentimentos. No entanto, a aplicação de LLMs para o design e execução de estratégias de opções permanece um desafio significativo.

• Complexidade dos Dados: As cadeias de opções (option chains) contêm milhares de contratos com múltiplas dimensões (strike, vencimento, tipo de opção, gregos), excedendo frequentemente os limites de contexto dos LLMs ou gerando custos computacionais proibitivos.
• Alucinações e Inconsistências: Métodos diretos de "texto para código" (text-to-code) tendem a gerar alucinações, como tickers inválidos, violação de restrições financeiras estritas ou lógica de negociação incorreta, o que é inaceitável em ambientes de alto risco.
• Falta de Abstração: Modelos tradicionais de compreensão de linguagem natural não conseguem interpretar conceitos financeiros complexos (ex: "Delta-neutro", "Viés de Volatilidade") de forma estruturada para execução automática.

2. Metodologia: Neuro-Simbólica e OQL

Os autores propõem um pipeline neuro-simbólico que desacopla o raciocínio semântico da execução financeira determinística. O núcleo da solução é a introdução da Linguagem de Consulta de Opções (OQL - Option Query Language).

O fluxo de trabalho opera em duas etapas principais:

1. Análise Semântica (LLM $\to$ OQL):

   • O LLM atua como um parser semântico, traduzindo a intenção do usuário em linguagem natural (ex: "Encontre um Iron Condor delta-neutro no SPY com baixo rank de volatilidade implícita") em uma consulta estruturada na OQL.
   • A OQL não gera código Python ou SQL bruto, mas sim instruções concisas e restritas gramaticalmente que abstraem os dados de mercado em primitivos de alto nível.
   • Princípios da OQL:
     • Abstração Baseada em Funções (Role-Based): Estratégias são definidas por "funções" (ex: Short Call, Long Put) com esquemas fixos, garantindo a validade estrutural.
     • Filtragem Escopada: Distinção entre restrições no nível da perna (WHERE) e restrições agregadas da estratégia (HAVING), como Greeks líquidos ou rácio risco-retorno.
     • Correspondência Semântica Suave (Soft-Matching): Uso de operadores aproximados (ex: ~) para lidar com ambiguidades numéricas da linguagem natural (ex: "cerca de 30 dias"), reduzindo falhas de busca.

2. Execução Determinística (OQL Engine $\to$ Estratégia):

   • Um motor especializado valida e executa a consulta OQL sobre os dados massivos da cadeia de opções.
   • O processo envolve: parseamento para uma Árvore de Sintaxe Abstrata (AST), filtragem vetorial de candidatos, montagem de combinações de pernas (produto cartesiano) e aplicação de restrições agregadas.
   • Isso garante que o resultado final seja uma estratégia financeiramente válida e executável, eliminando alucinações.

3. Principais Contribuições

1. Introdução da OQL: Uma linguagem de consulta específica de domínio que codifica a lógica complexa de derivativos (Gregos, estruturas multi-leg, relações de strike/vencimento) em um formato token-eficiente e rigoroso.
2. Novo Dataset e Benchmark: Apresentação do primeiro conjunto de dados padronizado para a tarefa de "Linguagem Natural $\to$ Estratégia de Opções", contendo 200 instruções diversificadas e um conjunto de avaliação para comparação justa entre modelos.
3. Extensão do Paradigma Text-to-SQL: Adaptação bem-sucedida do paradigma Text-to-SQL para um domínio financeiro complexo, onde o "banco de dados" é o espaço de cadeias de opções e o "resultado" é um conjunto estruturado de estratégias.
4. Pipeline Neuro-Simbólico: Demonstração de que separar a geração semântica da execução lógica melhora significativamente a precisão e a consistência em comparação com métodos diretos.

4. Resultados Experimentais

Os experimentos foram conduzidos em um dataset simulado de 2025, cobrindo ativos como SPY, NVDA, AAPL, GOOG e TSLA, sob diferentes regimes de mercado (tendência, consolidação, alta volatilidade).

• Desempenho de Modelos:
  • Todos os grandes modelos alcançaram taxas de validade (Validity Rate) superiores a 87% ao gerar consultas OQL.
  • Eficiência de Modelos Especializados: Modelos menores focados em código (ex: DeepSeek-Coder-6.7B) superaram modelos maiores e mais gerais (ex: GPT-4.1-Mini) em lucratividade e taxa de acerto, sugerindo que o raciocínio sintático específico do domínio é mais crítico que o tamanho puro dos parâmetros.
• Comparação com Baselines:
  • A abordagem OQL superou consistentemente três baselines: Geração Livre de Pernas (FFLG), Grounding em Cadeia Parcial (PCG) e Text-to-SQL padrão.
  • Gestão de Risco: O OQL reduziu drasticamente as alucinações perigosas. Por exemplo, o DeepSeek-Chat usando OQL reduziu o risco de margem (Risk@90) para 18,6% (vs. 46,1% no SQL), mantendo a maior taxa de vitória geral (60,9%).
  • Custo e Eficiência: O OQL ofereceu o melhor equilíbrio entre consumo de tokens e taxa de acerto, com uma taxa de cache hit de 88,5%, tornando-o a estrutura mais custo-efetiva.
• Qualidade da Estratégia: Estratégias derivadas do OQL mostraram maior robustez em backtests, com melhor controle de exposição ao risco e retornos mais consistentes, especialmente em cenários de hedge e geração de renda.

5. Significado e Impacto

Este trabalho representa um avanço fundamental na automação de negociação de derivativos.

• Viabilidade Prática: Demonstra que é possível traduzir intenções vagas de investidores em lógica de negociação rigorosa sem sacrificar a segurança financeira, superando as limitações de alucinação dos LLMs puros.
• Paradigma Neuro-Simbólico: Valida a eficácia de combinar a flexibilidade cognitiva dos LLMs com a precisão determinística de motores de execução, um caminho promissor para aplicações críticas em finanças.
• Futuro: O framework abre caminho para sistemas de negociação adaptativos que podem gerenciar portfólios existentes e lidar com fricções de mercado reais, movendo-se além de modelos teóricos para aplicações práticas de alto nível.

Em suma, o artigo estabelece que a precisão semântica (traduzir corretamente a intenção para a lógica financeira) é um preditor mais forte de desempenho financeiro do que a simples capacidade de gerar código sintaticamente correto.