Uso de agentes LLM para estudiar estrategias de trading en mercados bursátiles simulados

Resumen

Este artículo describe un mercado bursátil simulado en el que grandes modelos de lenguaje actúan como agentes competidores con distintas estrategias, información y dotaciones. El mercado incluye un libro de órdenes persistente, órdenes de mercado y limitadas, ejecuciones parciales, dividendos y liquidación en equilibrio. Los agentes comunican decisiones de trading estructuradas y también generan razonamientos en lenguaje natural. En los experimentos, los modelos siguieron roles asignados, como inversor en valor, operador de momentum o creador de mercado. Entre los resultados simulados hubo descubrimiento de precios, burbujas, reacción insuficiente y provisión estratégica de liquidez.

El marco se presenta como una forma de investigar teorías financieras y el comportamiento de los agentes cuando no se dispone de análisis en forma cerrada, y de realizar experimentos que serían costosos con participantes humanos. También permite examinar cómo cambian las respuestas según las condiciones de mercado y cómo las instrucciones compartidas pueden generar comportamientos correlacionados que afectan a la estabilidad. Estos son resultados de una simulación: el fragmento no demuestra que los agentes LLM operen de forma rentable y fiable en mercados reales ni que la dinámica simulada reproduzca por completo los mercados reales.

Ideas clave

• La plataforma de intercambio simulada modela un libro de órdenes con órdenes de mercado y limitadas, ejecuciones parciales, dividendos y liquidación.
• En los experimentos descritos, los agentes LLM pueden seguir estrategias asignadas de inversión en valor, momentum o creación de mercado.
• El mercado simulado muestra descubrimiento de precios, burbujas, reacción insuficiente y provisión de liquidez.
• El marco permite experimentar con el comportamiento de los agentes y con teorías financieras que no tienen soluciones en forma cerrada.
• El comportamiento correlacionado provocado por instrucciones compartidas puede afectar a la estabilidad del mercado simulado.
• Los resultados de una simulación, por sí solos, no demuestran un rendimiento rentable en el trading en vivo.

Etiquetas

# 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.

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.