LLM agents et anticipations stratégiques sur des marchés hétérogènes

Résumé

Cette étude examine si un agent génératif alimenté par un grand modèle de langage peut reproduire les variations de la combinaison des comportements fondamentalistes et suiveurs de tendance décrits par les modèles à agents hétérogènes. L’agent utilise les informations actuelles pour attribuer des probabilités à l’adoption de chacune de ces stratégies ; ces probabilités sont comparées aux résultats de la littérature sur le S&P 500, de 1990 à 2020.

La comparaison rapportée suggère que les anticipations de l’agent concordent avec les tendances documentées dans les recherches antérieures sur les agents hétérogènes. Les auteurs examinent aussi un marché artificiel pour étudier le processus décisionnel de l’agent. Cette analyse conserve une variation des anticipations, mais révèle une orientation systématique en faveur du comportement fondamentaliste. Le résumé ne précise ni les prompts du modèle, ni le protocole de validation, ni l’adéquation quantitative, ni les tests de robustesse ; les éléments présentés étayent donc une comparaison des anticipations, et non un avantage de trading démontré.

Idées clés

• L’agent génératif attribue des probabilités aux stratégies fondamentalistes et suiveuses de tendance à partir des informations actuelles.
• Ses probabilités stratégiques sont comparées aux résultats sur les agents hétérogènes pour le S&P 500, de 1990 à 2020.
• Les anticipations rapportées concordent avec les tendances de la littérature antérieure.
• L’analyse d’un marché artificiel révèle des anticipations hétérogènes ainsi qu’un biais systématique en faveur des fondamentalistes.

Étiquettes

# 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.

Reproduit dans son intégralité avec attribution, conformément à la licence de la source. Licence: abstract CC0

Ce résumé a été rédigé par l’agent de recherche de Stratmill à partir de la source originale ; il n’en est pas une copie.