استفاده از عامل‌های LLM برای بررسی استراتژی‌های معاملاتی در بازارهای سهام شبیه‌سازی‌شده
خلاصه
این مقاله بازاری سهام شبیه‌سازی‌شده را توصیف می‌کند که در آن مدل‌های زبانی بزرگ به‌عنوان عامل‌های رقیب با استراتژی‌ها، اطلاعات و دارایی‌های اولیه متفاوت عمل می‌کنند. بازار شامل دفتر سفارش پایدار، سفارش‌های بازار و محدود، اجرای جزئی، سود سهام و تسویه تعادلی است. عامل‌ها تصمیم‌های معاملاتی ساختاریافته را منتقل می‌کنند و هم‌زمان استدلال خود را به زبان طبیعی بیان می‌کنند. در آزمایش‌ها، مدل‌ها نقش‌های تعیین‌شده‌ای مانند سرمایه‌گذار ارزشی، معامله‌گر مومنتوم یا بازارساز را دنبال کردند. نتایج شبیه‌سازی‌شده شامل کشف قیمت، حباب، واکنش کمتر از حد و تأمین راهبردی نقدشوندگی بود.
این چارچوب راهی برای بررسی نظریه‌های مالی و رفتار عامل‌ها در مواردی معرفی می‌شود که تحلیل فرم بسته در دسترس نیست، و نیز برای اجرای آزمایش‌هایی که با مشارکت‌کنندگان انسانی پرهزینه خواهند بود. همچنین می‌توان با آن بررسی کرد واکنش‌ها در شرایط مختلف بازار چگونه تغییر می‌کنند و پرامپت‌های مشترک چگونه ممکن است رفتار هم‌بسته‌ای ایجاد کنند که بر پایداری اثر بگذارد. این‌ها نتایج شبیه‌سازی‌اند: چکیده نشان نمی‌دهد عامل‌های LLM در بازارهای زنده به‌طور قابل‌اتکا سودآور معامله می‌کنند یا پویایی‌های شبیه‌سازی‌شده بازارهای واقعی را کاملاً بازتولید می‌کنند.
ایده‌های کلیدی
- صرافی شبیه‌سازی‌شده، دفتر سفارشی شامل سفارش‌های بازار و محدود، اجرای جزئی، سود سهام و تسویه را مدل می‌کند.
- عامل‌های LLM در آزمایش‌های توصیف‌شده می‌توانند استراتژی‌های ارزشی، مومنتوم یا بازارسازیِ تعیین‌شده را دنبال کنند.
- بازار شبیه‌سازی‌شده کشف قیمت، حباب، واکنش کمتر از حد و تأمین نقدشوندگی را نشان می‌دهد.
- این چارچوب از آزمایش درباره رفتار عامل‌ها و نظریه‌های مالیِ فاقد راه‌حل فرم بسته پشتیبانی می‌کند.
- رفتار هم‌بسته‌ای که پرامپت‌های مشترک ایجاد می‌کنند ممکن است بر پایداری بازار شبیه‌سازی‌شده اثر بگذارد.
- یافته‌های شبیه‌سازی به‌تنهایی عملکرد سودآور در معامله زنده را اثبات نمی‌کنند.
برچسب‌ها
متن کامل
# 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.
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.