交易系统变革：模式聚合与智能技术应用

️内容提要

️文章聚焦金融科技驱动下的交易系统变革，探讨交易模式聚合与智能技术应用的前沿趋势。文章认为，程序化交易与智能技术的深度融合将重塑市场流动性结构，而检索增强生成、智能体等创新架构可突破传统系统的交互瓶颈。基于国际同业实践，文章对国内交易平台在技术整合、生态构建与监管协同等方面提出发展建议，以期为金融基础设施的智能化升级提供理论参考与实践路径。

️一、引言

在金融科技快速发展的背景下，各类交易系统正经历从单一模式向多元聚合、从人工操作向程序驱动的结构性变革。得益于机器学习、自然语言处理等技术的成熟，国际交易平台加速整合传统交易模式。例如，美国国债市场的Tradeweb、BrokerTec等平台已尝试将请求报价、中央限价订单簿、点击成交模式集成，通过智能路由优化交易执行效率。

2024年底，国产大模型DeepSeek-V3问世，其以低训练成本与高性能表现为国内交易系统的智能化改造提供了安全可控的技术底座，显著降低了大模型应用的技术门槛与成本压力。在此背景下，本文旨在探讨交易模式聚合的底层逻辑与实现路径，分析智能技术如何带来交易系统交互效率与分析能力的提升，并结合国际同业经验，为国内交易平台的技术升级提供前瞻性视角。研究内容涵盖交易模式的特性对比、智能交互技术的应用场景、数据驱动的分析工具等方面，以期为新时代金融基础设施建设提供理论参考与实践借鉴。

️二、交易系统变革之交易模式聚合

️（一）几种常见的交易模式

在金融市场中，交易模式的选择和运用对于交易的效率、公平性和透明度至关重要。交易模式决定了买卖双方如何找到对手方、如何达成交易以及交易过程中的信息披露程度。不同的金融市场（如股票、债券、外汇）倾向于采取不同的交易模式，各自有其特点和适用场景。当前市场主流的交易模式主要有以下几种：

️1. 请求报价（Request For Quote,RFQ）模式，通常用于流动性较低或交易规模较大的市场，例如债券和大宗外汇交易。由于询价过程是私密的，只有参与的双方可以看到报价，因而请求报价模式在交易过程中能提供更高的隐私性。

️2. 中央限价订单簿（Central Limit Order Book,CLOB）模式，是公开的订单簿系统，按照“价格优先”和“时间优先”的原则撮合成交，所有市场参与者可以看到当前的买卖订单。订单簿模式以其高度透明性和流动性著称，是股票市场的主流交易模式。

️3. 连续价格流点击成交（Executive Streaming Price）模式，是指做市商持续提供实时的买卖报价，交易者可以立即选择接受报价并成交。点击成交模式特别适用于高频交易和自动化交易，因为它能够快速响应市场变化并立即执行交易。这种模式常见于流动性较高的外汇市场和某些股票、期货市场。最近几年，程序化交易已成为重要的交易方式。2023年，点击成交模式下达成的交易额占美国国债市场交易份额的9%，而在十年前，这一数字几乎是零，这也从一个侧面反映了过去十年间程序化交易的增长情况。

️表1 三种交易模式的比较

️（二）交易模式聚合

交易模式聚合是指交易平台将不同底层协议的交易模式合并在一起，通过统一的接口或界面对外提供服务。当前，国际上已有部分交易所初步使用了交易模式聚合。对于美国国债市场，Tradeweb平台依然以传统的RFQ为其核心交易模式，同时也提供了中央限价订单簿和连续价格流点击成交模式，并且提供多种交易方式的集成。例如，当客户收到RFQ回价后，如果中央订单簿里有更好的价格，则可以在订单簿中执行交易。BrokerTec和MarketAxess也集成了多种交易方式，这些集成意味着客户不知道，也无需关心底层的协议是什么，只需知道当前的交易是以最优的价格执行即可。

️（三）新型交易模式引发的交易变革

程序化交易的兴起是交易模式聚合的重要驱动力。做市商通过算法自动执行交易策略，快速调整报价。程序化交易显著提升了市场活跃度与流动性水平。模式聚合进一步强化了这一趋势：聚合请求报价后得出的最优价格与订单簿最优价格形成竞争，推动价格发现效率的提升。跨模式的流动性整合为机构提供了更灵活的交易路径选择。未来，交易系统的核心竞争力将体现在能否通过模式聚合，以智能化手段实现交易路由的动态优化，确保参与者以最低成本最高效率完成交易。

️三、交易系统变革之系统交互

️（一）智能交互——函数调用

2023年6月OpenAI推出的GPT-4函数调用功能，标志着人机交互范式的重大突破。简单来说，函数调用就是大语言模型解析用户自然语言指令后，从中提取关键参数并判断是否调用外部API（如交易接口）执行操作，这一过程不仅实现了语言理解，也完成了动作执行。从此大模型不再是一个只会问答的百科全书，而变成了一个能够灵活操控外部工具以解决复杂实际问题的智能中枢。例如，在交易场景中，用户可通过自然语言提交订单，系统自动解析买卖方向、产品类型、交易量等要素，调用交易接口完成执行。这种交互方式颠覆了传统图形界面操作模式，未来可能形成“自然语言交互界面+大模型解析+API调用”的系统架构，显著降低操作门槛，提升交易效率。

大语言模型把交互逻辑推入一个新的时代。计算机诞生至今，用户与计算机的交互方式已经经历了命令行操作和图形界面操作，如今，大模型的广泛应用让使用自然语言操控计算机成为可能。对于交易系统而言，未来也许并不需要复杂的界面，交易系统只需要对机构提供自然语言对话框，在内部服务器上使用大模型解析用户输入，调用对应的API即可完成交易流程。

️（二）网站助手——检索增强生成

在金融信息服务领域，生成式人工智能与检索增强生成（RAG）的结合，为文档的智能检索提供了更高效的解决方案。大语言模型会接受海量的训练数据，将广泛的知识存储在神经网络的权重中。然而在提示大模型生成训练数据之外的知识时（例如最新知识、特定领域知识等），大语言模型经常会胡言乱语，这就是人们常说的“模型幻觉”。为此，需要在模型训练时加入相关数据或对已有的基础大模型进行微调。例如，彭博（Bloomberg）于2023年3月推出了金融领域大语言模型BloombergGPT。Bloomberg从过去四十年积累的金融语料库中，提取了一个3630亿token的金融数据集，再加上3450亿token的公共数据集，构建了超7000亿token的训练数据集，利用这些数据训练了50B参数的BloombergGPT。在不牺牲通用性的情况下，BloombergGPT在金融领域中的能力超过了当时已有的大模型。

大模型的训练成本是巨大的，BloombergGPT的训练花费了53天时间、耗费近三百万美元。如果每次知识库更新后都要重新训练模型，哪怕只是进行模型微调，都会消耗不少的时间和计算资源。再如FinGPT开源模型，每次微调花费约300美元。而检索增强生成（RAG）的出现弥合了大语言模型常识和专有数据之间的差距，将特定领域知识存储在外部向量数据库中，可以轻松访问和更新，无需重新训练模型即可响应数据变化。RAG的工作原理如图1所示：

️图1 RAG流程图

首先，将用户请求转化为向量，再从存储外部知识源的向量数据库中，使用余弦相似度算法检索相关内容；然后，将用户输入和检索到的内容附加到大模型提示词中；最后，大语言模型对输入和检索内容进行整理分析，生成最终反馈。

在国内国际同业实践中，整合交易规则、产品指引等文档的RAG系统已经能以聊天形式精准回答用户问题，如交易流程查询、规则解读等，显著提升了服务效率并降低了人力成本。

️四、交易系统变革之高效分析

️（一）数据查询利器——Text2SQL

传统的SQL编写及查询效率，依赖于人对数据库结构、数据表关系、查询语法的熟悉程度。Text2SQL则利用自然语言处理（NLP）的强大能力，帮助用户自动完成SQL编写和执行工作。用户只需要提出问题，系统就会自动理解需求，生成相应的SQL语句并返回结果。

️图2 Text2SQL示意图

将自然语言转化成SQL语句，是大语言模型非常擅长的任务，而构建一个完整的Text2SQL工具面临两大问题：一是大语言模型本身没有连接数据库的能力，转化的SQL不能直接执行；二是大语言模型要求用户必须明确数据库表结构，才能生成一条真正有效的SQL语句。举例来说，假如用户知道一张表中有代表手机号码的字段，但并不知道这个字段的名字到底是phone、telephone，亦或phone_number。业务人员往往只知道数据表中存储的内容，并不了解底层数据库表的结构，甚至不知道表的名字，而这些信息也不是大语言模型能够推理的内容。要解决这两方面问题，必须在大模型的基础上构建智能体（Agent）,才能满足业务的需求。

智能体是一种能够自主感知环境、处理信息、做出决策并执行动作的软件系统，通常结合大型语言模型与外部工具，具备目标导向、任务分解和多轮交互的能力。它可以理解用户的自然语言指令，动态调用知识库、数据库或第三方服务完成复杂任务（如数据分析、跨平台操作等），其核心价值在于将模型能力与现实世界需求连接，实现更高效的人机协作。

目前已经有了一些搭建简易智能体的平台，如Coze、Dify、FastGPT等，这些平台都拥有丰富的插件系统，如网络搜索、代码执行、数据库连接等。以大语言模型为中枢，分析用户需求、调用插件、执行指令、获取结果，就实现了一个智能体。开发者发布这个智能体后，用户并不需要关心智能体使用的大语言模型，以及背后调用了哪些工具，便可以实现自身目标。

以FastGPT平台及OceanBase Cloud数据库为例，开发一个简易的Text2SQL工具流程如下。首先，在FastGPT中，底层的大模型选择DeepSeek-V3，系统提示词中明确智能体的能力、要处理的任务，并在此处将数据库表的列名进行标注，让大模型获得表结构的先验知识。接下来在工具调用中选择数据库连接，填写云数据库的地址、端口、数据库名、用户名等信息，智能体就会在生成SQL后连接数据库自动执行。举例来说，假设数据库中存储了外汇交易分产品、分交易模式的成交信息，用户可输入“查询即期产品点击成交总交易量”指令，智能体将转化为SQL语句并连接数据库执行，最后返回查询结果，显著提升了业务人员的数据查询效率。

️（二）提升决策效率——可视化分析

数据已成为企业决策、科学研究等领域不可或缺的重要资源。数据挖掘与可视化分析让数据“开口说话”，为企业智慧管理和科学决策提供强有力的支持。可视化分析利用图表展示数据中蕴含的规律，更符合人类的视觉感知特性。

可视化分析模型首先会对数据进行转换清洗，统一数据格式。规范化的数据通过直接映射或数据挖掘可展示为图表。调整输入变量，模型可以计算获取不同的结果并展示；利用得到的信息，可以对数据处理、模型构建和可视化的策略进行调整，实现数据可视化分析的反馈操作。

举例来说，传统意义上的合规监控只能对日志或是数据库中的一些结构化数据做手工分析，获得的数据结果必须进一步手工操作才能得到可视化图表。数据可视化技术可以将结构化以及非结构化的数据通过数据转换、可视映射等操作，结合灵活的定制选项直接向用户展示丰富的图表，帮助用户轻松实现问题定位。

️五、总结与展望

本文系统分析了交易模式聚合与智能技术在交易系统中的应用逻辑与实践案例。在交易模式方面，详细探讨了请求报价、中央订单簿和点击成交模式的特点及其适用场景，认为程序化交易的发展显著提升了市场活跃度和交易效率。在人工智能辅助方面，大语言模型及其衍生工具的应用被认为是未来交易系统的重要发展方向，推动交易系统向更高效、智能化方向演进。而随着交易系统智能化程度的提高，金融监管和风险管理的能力也需同步提升。可考虑采用先进的监测和预警系统，及时识别和应对潜在风险，确保市场的稳定和安全。

大数据、人工智能的发展对各行各业产生了深刻的影响，金融力量是国家核心竞争力的重要组成部分。我国金融基础设施单位既要满足市场需求，也要服务国家战略，站在变革的前沿，将科技与金融相结合，为中国金融高质量发展做出贡献。

️作者：王云峰、王振兴，中国外汇交易中心市场一部