Mit LLM-Agenten Handelsstrategien in simulierten Aktienmärkten untersuchen

Zusammenfassung

Dieses Paper beschreibt einen simulierten Aktienmarkt, in dem große Sprachmodelle als konkurrierende Agenten mit unterschiedlichen Strategien, Informationen und Kapitalausstattungen agieren. Der Markt umfasst ein fortlaufendes Orderbuch, Markt- und Limitaufträge, Teilausführungen, Dividenden und einen Ausgleich zum Gleichgewichtspreis. Die Agenten übermitteln strukturierte Handelsentscheidungen und formulieren zugleich ihre Überlegungen in natürlicher Sprache. In den Experimenten folgten die Modelle vorgegebenen Rollen wie Value-Investor, Momentum-Trader oder Market Maker. Zu den simulierten Ergebnissen gehörten Preisfindung, Blasen, verzögerte Reaktionen und strategische Liquiditätsbereitstellung.

Der Ansatz wird als Möglichkeit dargestellt, Finanztheorien und das Verhalten von Agenten zu untersuchen, wenn keine geschlossene analytische Lösung verfügbar ist, sowie Experimente durchzuführen, die mit menschlichen Teilnehmern kostspielig wären. Er kann auch untersuchen, wie sich Reaktionen unter verschiedenen Marktbedingungen ändern und wie gemeinsame Prompts korreliertes Verhalten hervorrufen können, das die Stabilität beeinflusst. Dies sind Ergebnisse innerhalb einer Simulation: Der Auszug zeigt weder, dass LLM-Agenten in Live-Märkten zuverlässig profitabel handeln, noch dass die simulierte Dynamik reale Märkte vollständig abbildet.

Kernaussagen

• Die simulierte Börse bildet ein Orderbuch mit Markt- und Limitaufträgen, Teilausführungen, Dividenden und Abrechnung ab.
• LLM-Agenten können in den beschriebenen Experimenten vorgegebene Value-, Momentum- oder Market-Making-Strategien befolgen.
• Der simulierte Markt zeigt Preisfindung, Blasen, verzögerte Reaktionen und Liquiditätsbereitstellung.
• Der Ansatz ermöglicht Experimente zum Verhalten von Agenten und zu Finanztheorien, für die es keine geschlossene analytische Lösung gibt.
• Durch gemeinsame Prompts ausgelöstes, korreliertes Verhalten kann die Stabilität des simulierten Marktes beeinflussen.
• Simulationsergebnisse allein belegen keine Profitabilität im Live-Trading.

Schlagwörter

# Can Large Language Models Trade? Testing Financial Theories with LLM Agents in Market Simulations


# Can Large Language Models Trade? Testing Financial Theories with LLM Agents in Market Simulations









This paper presents a realistic simulated stock market where large language models (LLMs) act as heterogeneous competing trading agents. The open-source framework incorporates a persistent order book with market and limit orders, partial fills, dividends, and equilibrium clearing alongside agents with varied strategies, information sets, and endowments. Agents submit standardized decisions using structured outputs and function calls while expressing their reasoning in natural language. Three findings emerge: First, LLMs demonstrate consistent strategy adherence and can function as value investors, momentum traders, or market makers per their instructions. Second, market dynamics exhibit features of real financial markets, including price discovery, bubbles, underreaction, and strategic liquidity provision. Third, the framework enables analysis of LLMs' responses to varying market conditions, similar to partial dependence plots in machine-learning interpretability. The framework allows simulating financial theories without closed-form solutions, creating experimental designs that would be costly with human participants, and establishing how prompts can generate correlated behaviors affecting market stability.

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.