عامل‌های LLM و انتظارات راهبردی در بازارهای ناهمگن

خلاصه

این پژوهش می‌پرسد آیا عامل مولدی که با مدل زبانی بزرگ کار می‌کند می‌تواند تغییرات ترکیب رفتار بنیادگرا و پیرو روند را که در مدل‌های عامل ناهمگن توصیف شده‌اند بازتولید کند. عامل با استفاده از اطلاعات جاری، احتمال انتخاب هر یک از این دو استراتژی را تعیین می‌کند و این احتمال‌ها با یافته‌های منابع پژوهشی درباره S&P 500 در بازه 1990 تا 2020 مقایسه می‌شوند.

مقایسه گزارش‌شده نشان می‌دهد انتظارات عامل با الگوهای ثبت‌شده در پژوهش‌های پیشین درباره عامل‌های ناهمگن همسو هستند. نویسندگان برای بررسی فرایند تصمیم‌گیری عامل، بازار مصنوعی را نیز مطالعه می‌کنند. آن تحلیل، تنوع در انتظارات را حفظ می‌کند، اما گرایش نظام‌مندی به رفتار بنیادگرا می‌یابد. چکیده، دستورهای ورودی مدل، طراحی اعتبارسنجی، برازش کمی یا آزمون‌های استحکام را مشخص نمی‌کند؛ بنابراین، شواهد از مقایسه انتظارات پشتیبانی می‌کنند، نه از مزیت معاملاتی اثبات‌شده.

ایده‌های کلیدی

• عامل مولد با استفاده از اطلاعات جاری، احتمال انتخاب استراتژی‌های بنیادگرا و پیرو روند را تعیین می‌کند.
• احتمال‌های انتخاب استراتژی با یافته‌های پژوهشی عامل‌های ناهمگن درباره S&P 500 در بازه 1990 تا 2020 مقایسه می‌شوند.
• انتظارات گزارش‌شده با الگوهای موجود در منابع پژوهشی پیشین همسو هستند.
• تحلیل بازار مصنوعی، تنوع انتظارات را در کنار گرایش نظام‌مند به رفتار بنیادگرا نشان می‌دهد.

برچسب‌ها

# 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.

با ذکر منبع و مطابق مجوز اثر، به‌طور کامل نمایش داده می‌شود. مجوز: abstract CC0

این خلاصه را عامل پژوهشی Stratmill بر پایه متن اصلی نوشته است؛ نسخه‌ای از اثر منبع نیست.