Uso de agentes LLM para predecir decisiones sobre tipos

Resumen

FedSight AI utiliza agentes de modelos de lenguaje grandes para simular las deliberaciones del Comité Federal de Mercado Abierto y predecir decisiones sobre el tipo objetivo de los fondos federales. Cada agente revisa indicadores económicos estructurados y materiales no estructurados, como el Libro Beige; debate alternativas de política y vota con el objetivo de reflejar el proceso de decisión del comité.

El sistema también aplica Chain-of-Draft, un método conciso de razonamiento en varias etapas. Para las reuniones de 2023 y 2024, el artículo informa una precisión de predicción del 93.75% y una estabilidad del 93.33%, y afirma que el sistema superó a MiniFed y a un modelo de referencia de bosque aleatorio ordinal. Su fortaleza declarada es un razonamiento transparente alineado con las comunicaciones del FOMC. La descripción proporcionada no especifica el número de reuniones evaluadas, el protocolo de evaluación ni si los resultados se generalizan más allá de ese periodo, por lo que las cifras comunicadas deben interpretarse dentro del contexto de evaluación indicado.

Ideas clave

• FedSight AI asigna LLM agentes para analizar indicadores económicos y comunicaciones de política monetaria.
• Los agentes debaten opciones de política y votan para simular las deliberaciones del FOMC.
• Chain-of-Draft añade al marco un razonamiento conciso en varias etapas.
• El artículo comunica resultados de precisión y estabilidad para reuniones de 2023–2024 y comparaciones con modelos de referencia identificados por nombre.
• La breve descripción no proporciona detalles de evaluación necesarios para juzgar una generalización más amplia.

Etiquetas

# FedSight AI: Multi-Agent System Architecture for Federal Funds Target Rate Prediction


# FedSight AI: Multi-Agent System Architecture for Federal Funds Target Rate Prediction









The Federal Open Market Committee (FOMC) sets the federal funds rate, shaping monetary policy and the broader economy. We introduce \emph{FedSight AI}, a multi-agent framework that uses large language models (LLMs) to simulate FOMC deliberations and predict policy outcomes. Member agents analyze structured indicators and unstructured inputs such as the Beige Book, debate options, and vote, replicating committee reasoning. A Chain-of-Draft (CoD) extension further improves efficiency and accuracy by enforcing concise multistage reasoning. Evaluated at 2023-2024 meetings, FedSight CoD achieved accuracy of 93.75\% and stability of 93.33\%, outperforming baselines including MiniFed and Ordinal Random Forest (RF), while offering transparent reasoning aligned with real FOMC communications.

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.