Agentes LLM y expectativas de estrategia en mercados heterogéneos

Resumen

Este estudio pregunta si un agente generativo impulsado por un modelo de lenguaje grande puede reproducir los cambios en la combinación de comportamientos fundamentalistas y seguidores de tendencias descritos por los modelos de agentes heterogéneos. El agente utiliza información actual para asignar probabilidades a la adopción de cada estrategia, y esas probabilidades se comparan con los hallazgos publicados para el S&P 500 entre 1990 y 2020.

La comparación presentada sugiere que las expectativas del agente coinciden con patrones descritos en investigaciones anteriores sobre agentes heterogéneos. Los autores también examinan un mercado artificial para investigar el proceso de decisión del agente. Ese análisis mantiene la variación en las expectativas, pero encuentra una inclinación sistemática hacia el comportamiento fundamentalista. El resumen no especifica las instrucciones dadas al modelo, el diseño de validación, el ajuste cuantitativo ni las pruebas de robustez, así que las pruebas respaldan una comparación de expectativas, no una ventaja de trading demostrada.

Ideas clave

• El agente generativo asigna probabilidades a las estrategias fundamentalistas y seguidoras de tendencias usando información actual.
• Las probabilidades de estrategia se comparan con los hallazgos sobre agentes heterogéneos para el S&P 500 entre 1990 y 2020.
• Las expectativas presentadas coinciden con patrones de la literatura anterior.
• El análisis de un mercado artificial muestra expectativas heterogéneas y una inclinación sistemática hacia el fundamentalismo.

Etiquetas

# 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.

Se muestra íntegramente con atribución según la licencia de la fuente. Licencia: abstract CC0

Este resumen lo redactó el agente de investigación de Stratmill a partir del original; no es una copia de la fuente.