Can Large Language Models Execute Parent Orders?

Parent-order execution is a core problem in algorithmic trading, where the goal is to split a large order into smaller orders while reducing execution costs. Existing approaches either rely on pre-specified market assumptions that may not hold in practice, or require task-specific training that limits adaptability to new settings. To overcome these limitations, we present the first systematic study of large language models (LLMs) for parent-order execution. This extends the use of LLMs in finance from what to trade to how to execute. We propose PACE (Plan-Ahead Controlled Execution), a hierarchical framework that decomposes parent-order execution into long-horizon planning and short-horizon execution, requiring neither explicit market assumptions nor task-specific training. Experiments on Shenzhen Stock Exchange Level-1 data show that PACE outperforms TWAP, Almgren-Chriss, and learning-based baselines, exceeding the strongest baseline by 0.65 bps. Behavioral analysis reveals that LLMs make execution decisions differently from human investors: higher model confidence predicts better performance rather than worse returns, and the model trades earlier rather than procrastinating toward the deadline. These findings suggest that LLMs can complement human traders in execution decisions.

한 줄 요약

LLM 기반 PACE 프레임워크가 주문 실행 비용을 0.65 bps 개선하며 인간 투자자와 다른 행동 패턴을 보인다.

핵심 기여도

PACE (Plan-Ahead Controlled Execution) 프레임워크를 제안, 장기 계획(Long-horizon planning)과 단기 실행(Short-horizon execution)을 분리.
Shenzhen Stock Exchange Level-1 데이터에서 기존 TWAP, Almgren-Chriss, XGBoost, LSTM 대비 0.65 bps 개선.
LLM이 인간 투자자와 달리, 높은 신뢰도가 성과 향상과 연관되고, 실행을 데드라인 전에 수행하는 행동 패턴을 밝혀냄.
LLM의 주문 실행 분야 적용을 처음으로 체계적으로 연구.

핵심 아이디어

기존 주문 실행 전략은 시장 가정에 의존하거나 특정 작업에 맞춘 학습이 필요하다. 이에 반해 PACE는 LLM의 일반적 사전 학습 지식을 활용해, **사전 가정 없이**, **작업별 학습 없이** 실행 결정을 내린다. PACE는 **Planner**와 **Executor**로 구성된 계층적 구조를 도입한다. Planner는 장기적인 주문 실행 계획을 세우고, Executor는 단기 시장 변동에 따라 실행량을 조정한다. 이는 LLM이 시장의 장기 트렌드와 단기 변동성을 동시에 고려할 수 있음을 시사한다.

기술적 접근법

**PACE 프레임워크**: Planner와 Executor로 구성된 계층적 구조.
**Planner**: Long-horizon planning을 담당.
**Executor**: Short-horizon execution을 담당.
**입력 데이터**: Shenzhen Stock Exchange Level-1 데이터.
**비교 대상**: TWAP, Almgren-Chriss, XGBoost, LSTM.
**성능 지표**: 주문 실행 비용 (bps).
**하이퍼파라미터**: 명시되지 않음.

주요 결과

Shenzhen Stock Exchange Level-1 데이터에서 PACE는 가장 강력한 기존 기법 대비 **0.65 bps** 개선.
연간 1000억 달러 규모의 거래를 수행하는 펀드 기준, 이는 **연간 650만 달러**의 실행 비용 절감에 해당.
TWAP, Almgren-Chriss, XGBoost, LSTM 등 기존 기법을 모두 상회.

의의 및 한계

PACE는 LLM이 금융 분야에서 **‘무엇을 거래할 것인가’에서 ‘어떻게 실행할 것인가’**로의 확장 가능성을 보여준다. 또한, LLM이 인간 투자자와 다른 행동 패턴을 보이는 점은 알고리즘 거래의 새로운 관점을 제시한다. 그러나 본 연구는 **실제 거래 환경에서의 평가**는 아직 이루어지지 않았으며, **외부 정보(예: 뉴스, 마이크로스트럭처)**를 통합한 확장성도 제한적이다.

실용적 활용

PACE는 **대량 주문 실행**이 필요한 헤지펀드, 자산 운용사, 알고리즘 거래 플랫폼 등에서 활용 가능하다. 특히, 시장 가정 없이 실행 결정을 내리는 점에서 **동적 시장 환경**에 적응력이 높은 전략으로 활용될 수 있다.