پیش‌بینی تصمیم‌های نرخ وجوه فدرال با عامل‌های LLM

خلاصه

FedSight AI از عامل‌های مدل زبانی بزرگ برای شبیه‌سازی مذاکرات کمیته بازار آزاد فدرال و پیش‌بینی تصمیم‌های مربوط به نرخ هدف وجوه فدرال استفاده می‌کند. عامل‌های جداگانه شاخص‌های اقتصادی ساختاریافته و مطالب غیرساختاریافته‌ای مانند کتاب بژ را بررسی می‌کنند، گزینه‌های سیاستی را به بحث می‌گذارند و رأی می‌دهند تا فرایند تصمیم‌گیری کمیته را بازتاب دهند.

این سامانه همچنین از Chain-of-Draft، رویکردی موجز با استدلال چندمرحله‌ای، استفاده می‌کند. مقاله برای نشست‌های 2023 و 2024 دقت پیش‌بینی 93.75% و پایداری 93.33% را گزارش می‌کند و می‌گوید سامانه از MiniFed و یک مدل جنگل تصادفی ترتیبی بهتر عمل کرده است. مزیت اعلام‌شده آن، استدلال شفاف همسو با ارتباطات FOMC است. شرح موجود تعداد نشست‌های ارزیابی‌شده، پروتکل ارزیابی یا تعمیم‌پذیری نتایج به دوره‌های دیگر را مشخص نمی‌کند؛ بنابراین ارقام گزارش‌شده باید در چارچوب همان ارزیابی تفسیر شوند.

ایده‌های کلیدی

• FedSight AI به عامل‌های LLM مأموریت می‌دهد شاخص‌های اقتصادی و ارتباطات سیاستی را تحلیل کنند.
• عامل‌ها گزینه‌های سیاستی را بررسی و رأی‌گیری می‌کنند تا مذاکرات FOMC را شبیه‌سازی کنند.
• Chain-of-Draft استدلال موجز و چندمرحله‌ای را به چارچوب می‌افزاید.
• مقاله نتایج دقت و پایداری را برای 2023 تا 2024 نشست و مقایسه با خط‌مبناهای نام‌برده گزارش می‌کند.
• شرح کوتاه جزئیات ارزیابی لازم برای سنجش تعمیم‌پذیری گسترده‌تر را ارائه نمی‌کند.

برچسب‌ها

# 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.

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.