面向期权轮仓策略决策的混合架构：基于LLM生成的贝叶斯网络及其透明化交易

大型语言模型（LLM）在理解上下文和定性细微差别方面表现出色，但在金融交易等高风险定量领域所需的严谨且透明的推理方面仍有不足。我们提出一种面向期权“轮仓”策略的模型优先混合架构，将LLM的优势与贝叶斯网络的鲁棒性相结合。我们不将LLM用作黑箱决策系统，而是将其用作智能模型构建器。对于每一次交易决策，LLM通过解读当前市场条件（包括价格、波动率、趋势和新闻），并对关键变量之间的假设关系进行推断，从而构建特定情境的贝叶斯网络。LLM还从18.75年、8919笔交易的数据集中选择相关历史数据，以填充网络的条件概率表。该选择聚焦于与当前情境相似的情形。实例化的贝叶斯网络随后进行透明的概率推断，生成明确的概率分布和风险指标，以支持决策。一个反馈回路使LLM能够分析交易结果并迭代细化后续网络结构和数据选择，从而从成功与失败中学习。经验上，我们的混合系统在轮仓策略上表现出色。在近19年的样本外测试中，它实现了15.3%的年化收益，风险调整后表现显著优于市场基准（夏普比率1.08 vs 0.62），最大回撤大幅降低（-8.2% vs -60%），同时通过战略性期权滚动保持0%的指派率。关键是，每一次交易决策都完全可解释，平均涉及27个记录的决策因素（如波动率水平、期权溢价、风险指标、市场情境等）。