Simulación de reuniones de FOMC con agentes basados en LLM

Resumen

MiniFed es un marco para simular reuniones del Comité Federal de Mercado Abierto con agentes de modelos de lenguaje grandes. Busca representar a los miembros de las reuniones y el proceso de decisión del comité, desplazando la atención del estudio exclusivo de los efectos de los cambios en el tipo de los fondos federales hacia el modelado de cómo se toman las decisiones sobre los tipos. El marco se organiza en un flujo de trabajo de cinco etapas e incluye un intento de optimizar la estructura simulada del comité.

El artículo presenta experimentos en los que el marco proyecta los tipos de los fondos federales con gran precisión y genera un comportamiento de los agentes alineado con sus equivalentes del mundo real. La descripción no ofrece detalles sobre los conjuntos de datos, las métricas de evaluación, los horizontes de previsión ni las referencias de comparación, por lo que aquí no se pueden valorar la solidez ni la generalidad de esos resultados. El trabajo trata de la simulación de decisiones de política y la proyección de tipos; no especifica una estrategia directa de trading ni demuestra rendimientos de mercado.

Ideas clave

• MiniFed utiliza agentes de LLM para modelar a los miembros y los procesos de las reuniones de FOMC.
• Su flujo de trabajo de cinco etapas busca simular las deliberaciones del comité y optimizar su estructura.
• El marco aborda tanto las proyecciones de los tipos de los fondos federales como la reconstrucción del proceso de las reuniones.
• Los experimentos comunicados afirman que las proyecciones son precisas y que el comportamiento está alineado, pero la descripción disponible omite detalles de evaluación.
• El artículo se centra en la simulación de políticas, no en una estrategia de trading concreta en el mercado.

Etiquetas

# MiniFed : Integrating LLM-based Agentic-Workflow for Simulating FOMC Meeting


# MiniFed : Integrating LLM-based Agentic-Workflow for Simulating FOMC Meeting









The Federal Funds rate in the United States plays a significant role in both domestic and international financial markets. However, research has predominantly focused on the effects of adjustments to the Federal Funds rate rather than on the decision-making process itself. Recent advancements in large language models(LLMs) offer a potential method for reconstructing the original FOMC meetings, which are responsible for setting the Federal Funds rate. In this paper, we propose a five-stage FOMC meeting simulation framework, MiniFed, which employs LLM agents to simulate real-world FOMC meeting members and optimize the FOMC structure. This framework effectively revitalizes the FOMC meeting process and facilitates projections of the Federal Funds rate. Experimental results demonstrate that our proposed MiniFed framework achieves both high accuracy in Federal Funds rate projections and behavioral alignment with the agents' real-world counterparts. Given that few studies have focused on employing LLM agents to simulate large-scale real-world conferences, our work can serve as a benchmark for future developments.

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.