LiveOption: Evaluating LLM Agents in Structured Option Trading with Nonlinear Payoffs¶

会议: NeurIPS 2026
arXiv: 2609.33470
领域: LLM Agent
关键词: LLM Agent、期权交易、非线性收益、结构化决策、金融基准评测

一句话总结¶

本文提出首个专门面向结构化期权交易的 LLM 智能体评测基准 LiveOption，构建了包含投资组合覆盖、财报事件博弈及 0DTE 日内高频交易的三大实盘任务与四层递进评测体系，实证揭示出当前顶尖大模型在衍生品复杂约束下均无法获得正向风险调整超额收益的系统性局限。

研究背景与动机¶

近年来，基于大语言模型（LLM）与多智能体系统（MAS）的自主金融交易智能体受到广泛关注。然而，现有金融决策评测存在严重的“虚假繁荣”现象，普遍遭受训练集未来信息泄漏（look-ahead bias）与数据污染的困扰。为了缓解此类偏差，学术界逐渐转向实时动态回测或交互式环境，但现有基准几乎完全局限于股票或加密货币等基础线性资产。在股票交易中，智能体的动作空间通常被简化为买入、持有、卖出等标的单向预测，缺乏对真实金融市场复杂衍生工具的建模。

真实金融衍生品（特别是期权市场）与线性股票市场存在本质差异：期权具有内在的非线性收益结构、剧烈的时间价值衰减（Theta, $\theta$）、波动率敏感性（Vega, $\nu$）以及高度严格的保证金约束。期权交易的决策空间极度庞大且具有强组合性，交易者必须同时在多个行权价、到期日与多腿组合策略之间进行权衡，并通过希腊字母（Greeks）进行多维度的精细化风险管理，而非仅仅押注标的价格的涨跌方向。现有智能体若直接套用于期权市场，将面临极端尾部风险暴露、保证金穿仓以及维数灾难等现实瓶颈。

面对这一空白，本文提出了 LiveOption 评测基准，将期权交易严格形式化为真实执行与资金约束下的结构化序列决策过程。核心 idea：构建解耦的“分析器-执行器”范式，结合紧凑波动率曲面表示与量化动作空间降低组合复杂度，并通过逼真的券商级仿真引擎与希腊字母 PnL 归因体系，在排除未来信息泄漏的前提下全方位诊断 LLM 智能体的结构化决策能力与风险管理边界。

方法详解¶

整体框架¶

LiveOption 将智能体的期权决策流程抽象为“分析器-执行器”（Analyzer-Executor）架构，并在时间轴上由轻量回测引擎进行确定性驱动。整个系统主要包含四大核心模块：输入端的数据门户（Data Portal）与场景重演层（Scenario Replay），负责按决策时间戳同步提供标的价格行情、精简期权链、实时新闻与财经日历；智能体决策层，采用紧凑锚点波动率曲面（AVSR）压缩市场状态，并通过量化期权链动作空间（QOCR）输出离散化交易意图；底层券商仿真执行器（Trading Simulator），负责实施订单合法性后端校验、保证金冻结、多腿组合生命周期管理与到期行权清算；最终由多层次评测套件输出绝对绩效与希腊字母行为归因。

%%{init: {'flowchart': {'rankSpacing': 24, 'nodeSpacing': 28, 'padding': 6, 'wrappingWidth': 400}}}%%
flowchart TD
    A["多模态市场输入<br/>标的K线 / 财报日历 / 新闻"] --> B["1. 锚点波动率曲面表示 (AVSR)<br/>3×3 结构化特征抽取"]
    B --> C["LLM 智能体决策<br/>宏观研判与多腿意图生成"]
    C --> D["2. 量化期权链动作空间 (QOCR)<br/>离散行权价与到期日分桶"]
    D --> E["3. 券商级执行引擎与风控校验<br/>保证金/持仓限制/多腿生命周期"]
    E --> F["4. 希腊字母收益归因与行为诊断<br/>Delta/Gamma/Theta/Vega分解"]

关键设计¶

1. 锚点波动率曲面表示 (AVSR)：压缩高维连续波动率特征

传统期权链包含不同行权价与期限的数百个连续合约，若直接将完整的隐含波动率（IV）曲面作为文本输入大模型，不仅会迅速耗尽上下文窗口，还会因格式冗长引发严重的幻觉。为解决这一高维不规则输入痛点，AVSR 将连续 IV 曲面沿实值/虚值程度（Moneyness）与到期时间（Time-to-Expiry, DTE）两个正交维度进行网格锚定。具体而言，选取标准化实值程度锚点 $\mathcal{M} = \{m_1=0.95, m_2=1.0, m_3=1.05\}$（分别对应虚值认沽、平值、虚值认购）以及到期期限锚点 $\mathcal{T} = \{\tau_1=7\text{D}, \tau_2=30\text{D}, \tau_3=90\text{D}\}$。在笛卡尔积网格 $\mathcal{A} = \mathcal{M} \times \mathcal{T}$ 上检索或插值计算对应的隐含波动率，构建紧凑的 $3 \times 3$ 波动率张量：

\[\mathbf{V}_t = [\sigma(m_i, \tau_j)]_{i=1,2,3;\; j=1,2,3} \in \mathbb{R}^{3 \times 3}\]

在此基础上，AVSR 进一步提取风险逆转偏度（$\text{Risk Reversal} = \sigma(m_3, \tau_j) - \sigma(m_1, \tau_j)$）、蝶式曲率（$\text{Butterfly} = \frac{\sigma(m_1, \tau_j) + \sigma(m_3, \tau_j)}{2} - \sigma(m_2, \tau_j)$）以及期限利差（$\text{Term Spread} = \sigma(m_2, \tau_3) - \sigma(m_2, \tau_1)$）。这使得智能体能以极低的 token 开销稳定感知波动率的绝对水平、斜率偏度与期限结构。

2. 量化期权链动作空间 (QOCR)：约束组合爆炸的离散决策空间

期权市场的离散合约筛选极易诱发组合爆炸。若允许智能体直接输出具体的合约代码，不仅频繁出现不存在的行权价，更无法稳定构造双腿或四腿期权组合。QOCR 将期权链离散化为规则化的分桶空间：将标的归一化行权价 $K/S_t$ 划分为虚值认沽 $[0.95, 0.99)$、平值 $[0.99, 1.01]$、虚值认购 $(1.01, 1.05]$ 三大实值程度桶 $\mathcal{B}_M$；到期日划分为近月 $[0, 14]\text{D}$、中月 $(14, 45]\text{D}$、远月 $(45, 120]\text{D}$ 三大期限桶 $\mathcal{B}_T$。智能体仅需在分桶网格上输出标准元组动作 $a_t = (u, s, b, e, q)$，其中 $u$ 为标的资产，$s \in \{\text{call}, \text{put}\}$ 为期权类型，$b \in \mathcal{B}_M$ 与 $e \in \mathcal{B}_T$ 分别为分桶索引，$q$ 为量化持仓规模。底层执行模块根据中心点与加权距离映射公式自动选取桶内最具流动性的代表合约：

\[(K^*, T^*) = \arg\min_{(K,T) \in \mathcal{C}(b,e)} \left| \frac{K}{S_t} - \bar{m}(b) \right| + \lambda |T - \bar{\tau}(e)|\]

多腿策略（如牛市价差、跨式组合、勒式组合）则表示为各单腿量化动作的集合 $a_t = \{a_t^{(1)}, \dots, a_t^{(L)}\}$，彻底将组合动作空间降维为与底层链规模无关的有限离散集合。

3. 券商级执行引擎与风控校验：阻断灾难性穿仓与无约束杠杆

由于大模型缺乏严谨的数学规划保证，其生成的复杂多腿交易极易触碰监管与资金红线。LiveOption 在执行层引入了强制的底层风控与仿真撮合引擎。所有智能体输出的交易意图在进入回测账本前，必须无条件通过执行层校验器（Backend Order Verification）：严格核验单一交易最大损失上限、组合级在险价值（VaR）、保证金充足率、单资产头寸上限与 Gamma 暴露阈值。仿真引擎完整维护多腿持仓标记，支持价差（Spreads）、跨式（Straddles）、勒式（Strangles）、鹰式（Condors）与日历组合（Calendars）的协同跟踪，精确模拟每手 $0.65 手续费、1.0 bp 的滑点成本、美式/欧式到期交割规则以及强制平仓机制（例如 0DTE 任务在美东时间 15:55 强制清零平仓以阻断隔夜穿仓风险）。

4. 希腊字母收益归因与行为诊断：剥离标的行情的结构化能力解耦

单纯以最终盈亏（PnL）或胜率评估期权智能体极具误导性——智能体可能仅仅侥幸押对了股票涨跌，但其时间价值管理与波动率暴露处于灾难性亏损状态。为此，LiveOption 在回测时间步上引入基于二阶泰勒展开的 Black-Scholes-Merton (BSM) 希腊字母收益分解模型：

\[\Delta \text{PnL} \approx \underbrace{\delta \cdot \Delta S}_{\text{Delta PnL}} + \underbrace{\frac{1}{2} \gamma \cdot (\Delta S)^2}_{\text{Gamma PnL}} + \underbrace{\theta \cdot \Delta t}_{\text{Theta PnL}} + \underbrace{\nu \cdot \Delta \sigma}_{\text{Vega PnL}} + \underbrace{\rho \cdot \Delta r}_{\text{Rho PnL}} + \varepsilon\]

其中 $\varepsilon$ 吸收了 Vanna ($\partial^2 V / \partial S \partial \sigma$)、Volga ($\partial^2 V / \partial \sigma^2$) 等高阶交叉项与离散再平衡误差。通过将总盈亏解构到标的方向风险（Delta）、凸性暴露（Gamma）、时间衰减损耗（Theta）和隐含波动率变化（Vega），评测系统能够精准定位智能体在财报事件后是否遭遇“IV crush”（波动率暴跌冲击），或在 0DTE 交易中是否盲目承受负 Theta 侵蚀，从而区分真正的衍生品结构化推理与盲目运气。

一个完整示例¶

在财报博弈（Earnings Bet）场景中，智能体以 NVDA 财报发布前两天的交易日（$T-2$）收盘为起点介入： 1. 状态感知：数据层向智能体推送 NVDA 过去四季度财报波动历史、当前 IV（高达 68%）以及 AVSR 提炼的 $3 \times 3$ 波动率偏度矩阵，提示当前平值跨式期权隐含的市场预期波动幅度为 $\pm 8.5\%$。 2. 意图决策：智能体（以 GPT-OSS-120B 为例）分析财报预期与宏观催化剂后，输出做多波动率的意图，通过 QOCR 申请构建平值跨式组合（Long Straddle）：买入近月平值认购桶（$b_2, e_1$）与近月平值认沽桶（$b_2, e_1$），分配名义资金 $\$20,000$。 3. 风控撮合：执行器核验单笔交易未超过 $\$30,000$ 预算上限，计算对应保证金并按真实行情选取代表合约撮合成交，记入手续费。 4. 反应与归因：财报公布次日（$T+1$），NVDA 标的仅微幅跳空高开 $+1.2\%$，但隐含波动率从 68% 骤降至 42%（遭遇典型 IV crush）。智能体在 $T+2$ 到期平仓时发生大幅亏损；希腊字母归因清晰显示：Delta 贡献微弱正收益（$+\$260$），而 Vega 损耗高达 $-\$3,850$，Theta 时间损耗 $-\$1,120$，高阶残差 $-\$1,400$，量化证实其失败源于对波动率挤压风险的严重误判而非方向性预测错误。

实验关键数据¶

主实验¶

评测涵盖 2025 全年真实历史数据，对比了 DeepSeek-V4-Flash、GPT-OSS-120B、Qwen3-235B-A22B、Llama-3.3-70B-Instruct、MiniMax-M3 与 GLM-5.3-Flash 六大主流大模型。评测涵盖三大典型场景： 1. 投资组合覆盖策略（Overlay）：在持有 10,000 股大盘/科技股现货（QQQ, NVDA, AMD, GOOG, TSLA）基础上，分别执行套期保值（Hedging）与备兑认购增收（Covered Call）。 2. 财报事件博弈（Earnings Bet）：涵盖 24 只核心科技与高成长美股，共计 90–95 场独立财报事件窗口。 3. 0DTE 日内高频交易（0DTE Intraday）：针对 SPY 在 2025 年所有周三与周五展开 102 场独立日内交易会话。

下表展示了各大模型在财报博弈与 0DTE 日内交易两大独立事件任务上的综合表现（均值包含 10,000 次 Bootstrap 抽样 95% 置信区间）：

模型	财报博弈均值回报% [95% CI]	财报博弈中位数%	财报博弈胜率%	财报博弈盈亏比 PF	0DTE 均值回报% [95% CI]	0DTE 中位数%	0DTE 胜率%	0DTE 盈亏比 PF
DeepSeek-V4-Flash	-0.59 [-2.67, 1.54]	-1.28	45.7%	0.86	-0.73 [-1.41, 0.02]	-2.12	29.4%	0.59
GPT-OSS-120B	-0.20 [-1.91, 1.60]	-0.53	44.2%	0.94	+0.14 [-1.20, 1.58]	-3.20	32.4%	1.05
Qwen3-235B-A22B	-1.23 [-3.57, 1.38]	-1.20	30.9%	0.72	-0.36 [-0.83, 0.13]	-0.70	36.3%	0.67
Llama-3.3-70B-Instruct	-0.37 [-2.24, 1.66]	-0.78	34.4%	0.89	-0.59 [-1.41, 0.31]	-2.18	25.5%	0.70
MiniMax-M3	-1.81 [-3.37, -0.26]	-1.61	38.9%	0.54	+0.14 [-0.36, 0.72]	-0.26	39.2%	1.18
GLM-5.3-Flash	-0.48 [-2.32, 1.44]	-0.92	46.3%	0.86	+0.11 [-0.81, 1.17]	-1.68	33.3%	1.07

在长期投资组合覆盖（Overlay）任务中，各模型相对买入持有基准（Buy-and-Hold）的超额年化回报（$\Delta\text{Ret}$）普遍为负：在套期保值模式下，DeepSeek-V4-Flash 为 -6.15%（最大回撤减少 $\Delta\text{MDD} = +3.80\%$），GPT-OSS-120B 为 -3.05%（$\Delta\text{MDD} = +1.45\%$），GLM-5.3-Flash 为 -13.02%（$\Delta\text{MDD} = +8.33\%$）；在备兑认购（Covered Call）模式下，仅 DeepSeek-V4-Flash 勉强获得微弱正向超额（$\Delta\text{Ret} = +0.34\%, \Delta\text{MDD} = +3.85\%$），其余 5 个模型超额回报全部为负（-1.37% 至 -9.36% 不等）。

消融实验¶

为了探究智能体是否真正理解并依赖输入的多维衍生品信息，实验选取 DeepSeek-V4-Flash、GPT-OSS-120B 与 Qwen3-235B-A22B 三个模型，针对 6 种上下文输入与规则约束展开了受控消融（每个设置 24 组配对样本，共 684 场消融测试）。

下表汇报了三大模型在不同消融配置下的平均变化（基线值 $\to$ 消融后）：

消融配置	所属任务	配对收益变化 $\Delta\text{Ret}$ (pp)	交易成交笔数 Fills	不交易率 NT%	最大回撤 MDD%	最小 Holm 修正 p 值
固定期权链 (Fixed chain)	0DTE	-0.90	29.5 $\to$ 26.0	0.0%	4.4% $\to$ 4.2%	0.085
移除资产持仓状态 (No portfolio state)	0DTE	+2.36	29.5 $\to$ 16.1	0.0%	4.4% $\to$ 12.4%	0.698
移除任务交易规则 (No task rules)	0DTE	+0.31	29.5 $\to$ 30.7	0.0%	4.4% $\to$ 4.5%	0.211
移除新闻资讯 (No news)	Earnings	-0.31	7.1 $\to$ 7.3	4.2%	7.0% $\to$ 8.0%	1.000
移除隐含波动率 (No IV)	Earnings	-2.82	7.1 $\to$ 7.3	5.6%	7.0% $\to$ 8.3%	0.059
移除希腊字母与多周期K线 (No Greeks/multi-TF)	0DTE	+0.25	29.5 $\to$ 4.4	47.2%	4.4% $\to$ 1.0%	0.835

关键发现¶

期权交易中胜率与均值的严重撕裂：在 0DTE 任务中，所有模型的会话中位数收益均为负值（-0.26% 至 -3.20%），且超过 60%–75% 的日内交易处于净亏损状态。GPT-OSS-120B、MiniMax-M3 和 GLM-5.3-Flash 表面上的均值正收益完全是由极少数右侧极端赢利单（90 分位高达 +9.8%）拉动的“彩票效应”。一旦仿真环境施加接近真实市场的半买卖价差摩擦（$0.0050），全行业模型的均值回报全线转负（整体均值由 -0.216% 恶化为 -0.452%, $p=0.013$）。
持仓状态感知缺失导致回撤剧增 3 倍：消融实验显示，一旦剥离智能体对自身当前持仓状态（Portfolio State）的感知，智能体在 0DTE 任务中的平均最大回撤从 4.4% 暴增至 12.4%（各模型个体回撤均呈数倍扩张），证实大模型缺乏内生风控记忆，极易在无状态约束下陷入杠杆堆叠与死扛亏损的恶性循环。
信息依赖度主要体现在“参与度骤降”而非回报数值：剥离希腊字母与多时间框架行情后，智能体的平均交易频率从每场 29.5 笔骤降至 4.4 笔，平均不交易率飙升至 47.2%（DeepSeek-V4-Flash 的不交易率更是飙升至 95.8%）。这说明去除关键衍生品特征直接摧毁了智能体的决策置信度，促使其全面陷入“被动弃权”。
单向持有成本的 Theta 吞噬效应：希腊字母 PnL 归因证实，在财报博弈中，各大模型每场平均蒙受 $-\$1,178$ 至 $-\$3,108$ 的巨额负 Theta 损耗，而 Vega 带来的收益仅有微弱的 $+\$11$ 至 $+\$658$。智能体严重缺乏跨期对冲与做空波动率意识，盲目持有单边长头寸穿越财报发布窗口，导致期权时间价值被无情蚕食。

亮点与洞察¶

首创期权场景的量化交互范式：通过 AVSR 锚点网格与 QOCR 离散分桶，将原本无限维且混乱的期权链映射为规则化的 $3 \times 3$ 状态空间与离散动作空间，彻底解决了大模型在衍生品领域因格式复杂而遭遇的上下文爆炸与幻觉报错。
用微观希腊字母归因穿透“黑盒收益”：将最终 PnL 解构为 Delta、Gamma、Theta、Vega 及高阶残差，首次向学术界揭示：大模型在金融交易中的所谓“正收益”往往只是侥幸暴露了未对冲的 Beta 方向风险，而非真正学会了期权定价与结构化套利。
确立了金融 Agent 评测必须“干预多于结果”的科学方法论：论文通过配对置换检验与消融干预证明，大模型在金融终局回报上的微弱差异根本无法通过多重比较检验；真正能拉开智能体能力差距的是回撤分布、不交易率以及在信息剥离下的行为断崖。

局限与展望¶

单次生成多样性与样本广度受限：每个模型–场景仅采集了单一温度（0.5）下的单次 Rollout，统计不确定性主要反映跨市场行情的波动，尚未充分捕捉大模型自身随机采样的内在方差。
高阶微观结构摩擦建模仍待深化：目前高精度的订单簿买卖价差与撮合深度模型仅部署于 SPY 0DTE 场景，在个股财报与覆盖策略中仍依赖名义滑点与中间价撮合，且未对智能体因队列排队、延迟与市场冲击产生的自适应行为进行动态仿真。
多智能体协作与专业角色分工待探索：本文主要评估单模型端到端决策表现，尚未涵盖由宏观分析员、定价精算师与执行交易员组成的专门化 Multi-Agent 架构。

评分¶

新颖性: ⭐⭐⭐⭐⭐ 首次系统性探索 LLM 在复杂期权衍生品中的结构化决策能力，开创了期权 Agent 评测新维度。
实验充分度: ⭐⭐⭐⭐⭐ 覆盖 2025 全年三大典型场景，1235 场主线测试与 684 场消融，配备严格的 Bootstrap 置信区间与希腊字母归因。
写作质量: ⭐⭐⭐⭐⭐ 概念清晰，金融衍生品数学推导严谨，图表表达专业规范。
价值: ⭐⭐⭐⭐⭐ 为金融 AI 智能体走向真实工业级衍生品交易提供了坚实的基准平台与深刻的行为洞察。