LLM-Agenten und Strategieerwartungen in heterogenen Märkten

Zusammenfassung

Diese Studie untersucht, ob ein von einem großen Sprachmodell angetriebener generativer Agent Veränderungen im Verhältnis zwischen fundamentalorientiertem und trendfolgendem Verhalten reproduzieren kann, wie sie in Modellen heterogener Agenten beschrieben werden. Der Agent nutzt aktuelle Informationen, um Wahrscheinlichkeiten für die Annahme der jeweiligen Strategie zuzuweisen. Diese Wahrscheinlichkeiten werden mit Erkenntnissen aus der Literatur zum S&P 500 von 1990 bis 2020 verglichen.

Der berichtete Vergleich deutet darauf hin, dass die Erwartungen des Agenten mit Mustern aus früheren Untersuchungen zu heterogenen Agenten übereinstimmen. Die Autoren untersuchen außerdem einen künstlichen Markt, um den Entscheidungsprozess des Agenten zu analysieren. Dabei bleibt die Variation der Erwartungen erhalten, zugleich zeigt sich aber eine systematische Neigung zu fundamentalorientiertem Verhalten. Das Abstract nennt weder die Modellprompts noch das Validierungsdesign, die quantitative Anpassungsgüte oder Robustheitstests. Die Belege stützen daher einen Vergleich der Erwartungen, nicht aber einen nachgewiesenen Handelsvorteil.

Kernaussagen

• Der generative Agent weist anhand aktueller Informationen Wahrscheinlichkeiten für fundamentalorientierte und trendfolgende Strategien zu.
• Seine Strategiewahrscheinlichkeiten werden mit Erkenntnissen zu heterogenen Agenten für den S&P 500 von 1990 bis 2020 verglichen.
• Die berichteten Erwartungen stimmen mit Mustern aus der bisherigen Literatur überein.
• Die Analyse eines künstlichen Marktes zeigt heterogene Erwartungen und zugleich eine systematische Neigung zu fundamentalorientiertem Verhalten.

Schlagwörter

# Generative Agents and Expectations: Do LLMs Align with Heterogeneous Agent Models?


# Generative Agents and Expectations: Do LLMs Align with Heterogeneous Agent Models?









Results in the Heterogeneous Agent Model (HAM) literature determine the proportion of fundamentalists and trend followers in the financial market. This proportion varies according to the periods analyzed. In this paper, we use a large language model (LLM) to construct a generative agent (GA) that determines the probability of adopting one of the two strategies based on current information. The probabilities of strategy adoption are compared with those in the HAM literature for the S\&P 500 index between 1990 and 2020. Our findings suggest that the resulting artificial intelligence (AI) expectations align with those reported in the HAM literature. At the same time, extending the analysis to artificial market data helps us to filter the decision-making process of the AI agent. In the artificial market, results confirm the heterogeneity in expectations but reveal systematic asymmetry toward the fundamentalist behavior.

Vollständig mit Quellenangabe unter der Lizenz der Quelle angezeigt. Lizenz: abstract CC0

Diese Zusammenfassung wurde vom Research-Agenten von Stratmill anhand des Originals verfasst; sie ist keine Kopie der Quelle.