شبیه‌سازی نشست‌های FOMC با عامل‌های مبتنی بر LLM
خلاصه
MiniFed چارچوبی برای شبیه‌سازی نشست‌های کمیته بازار آزاد فدرال با عامل‌های مدل زبانی بزرگ است. هدف آن بازنمایی اعضای نشست و فرایند تصمیم‌گیری کمیته است؛ در نتیجه، توجه را از بررسی صرفِ آثار تغییرات نرخ وجوه فدرال به مدل‌سازی چگونگی اتخاذ تصمیم‌های نرخ بهره معطوف می‌کند. چارچوب در قالب گردش کاری پنج‌مرحله‌ای سازمان‌دهی شده و تلاشی برای بهینه‌سازی ساختار کمیته شبیه‌سازی‌شده نیز در بر دارد.
مقاله آزمایش‌هایی را گزارش می‌کند که در آن چارچوب نرخ وجوه فدرال را با دقت بالا پیش‌بینی می‌کند و رفتاری از عامل‌ها تولید می‌کند که با همتایان دنیای واقعی هم‌راستاست. شرح، جزئیاتی درباره مجموعه‌داده‌ها، معیارهای ارزیابی، افق‌های پیش‌بینی یا معیارهای مبنا ارائه نمی‌کند؛ بنابراین نمی‌توان قدرت و عمومیت این نتایج را در اینجا ارزیابی کرد. این پژوهش به شبیه‌سازی تصمیم‌گیری سیاستی و پیش‌بینی نرخ می‌پردازد؛ استراتژی معاملاتی مستقیمی مشخص نمی‌کند یا بازده بازار را نشان نمی‌دهد.
ایده‌های کلیدی
- MiniFed از عامل‌های LLM برای مدل‌سازی اعضا و فرایندهای نشست‌های FOMC استفاده می‌کند.
- گردش کار پنج‌مرحله‌ای آن در پی شبیه‌سازی رایزنی کمیته و بهینه‌سازی ساختار آن است.
- چارچوب هم پیش‌بینی نرخ وجوه فدرال و هم بازسازی فرایند نشست را هدف می‌گیرد.
- آزمایش‌های گزارش‌شده مدعی پیش‌بینی‌های دقیق و هم‌راستایی رفتاری‌اند، اما شرح موجود جزئیات ارزیابی را بیان نمی‌کند.
- مقاله بر شبیه‌سازی سیاست‌گذاری تمرکز دارد، نه استراتژی معاملاتی مشخص در بازار.
برچسب‌ها
متن کامل
# 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.
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.