推断潜在市场力量：通过混淆测试评估 LLM 检测伽马曝露模式的能力

我们介绍了混淆测试（obfuscation testing）这一新方法，用于验证大型语言模型是否通过因果推理而非时间关联检测结构性市场模式。我们在 S&P 500 期权数据的 242 个交易日（覆盖率 95.6%）上测试了三种经纪商对冲约束模式（伽马仓位、股票锁定、0DTE 对冲），发现 LLM 在仅提供原始伽马曝露值且不包含制度标签或时间上下文的无偏提示下，达到了 71.5% 的检测率。WHO-WHOM-WHAT 因果框架迫使模型识别经济行为主体（经纪商）、受影响方（方向性交易者）以及结构机制（被迫对冲）这些观察到的市场动态背后的要素。关键的是，尽管经济盈利能力按季节变化，检测准确率仍保持在 91.2%，这表明模型识别的是结构性约束而非盈利模式。当使用制度标签提示时，检测率提升至 100%，但 71.5% 的无偏检测率验证了模型具有真正的模式识别能力。我们的发现表明，LLM 具备通过纯粹结构推理检测复杂金融机制的涌现能力，这对系统性策略开发、风险管理以及我们理解变换器架构如何处理金融市场动态具有深远意义。