Prévoir les décisions relatives au taux des fonds fédéraux avec les agents LLM

Résumé

FedSight AI utilise des agents fondés sur de grands modèles de langage pour simuler les délibérations du Federal Open Market Committee et prévoir les décisions relatives au taux cible des fonds fédéraux. Chaque agent examine des indicateurs économiques structurés et des documents non structurés, comme le Livre beige, examine les options de politique monétaire et vote, afin de refléter le processus décisionnel du comité.

Le système applique également Chain-of-Draft, une méthode de raisonnement concise en plusieurs étapes. Pour les réunions de 2023 et 2024, l’article rapporte une précision de prévision de 93.75% et une stabilité de 93.33%, et affirme que le système a surpassé MiniFed et une forêt aléatoire ordinale de référence. Sa force annoncée est la transparence du raisonnement, en accord avec les communications émanant de FOMC. La description fournie ne précise ni le nombre de réunions évaluées, ni le protocole d’évaluation, ni la généralisation des résultats au-delà de cette période ; les chiffres rapportés doivent donc être interprétés dans le cadre d’évaluation indiqué.

Idées clés

• FedSight AI affecte LLM agents à l’analyse des indicateurs économiques et des communications de politique monétaire.
• Les agents débattent des options de politique et votent pour simuler les délibérations du FOMC.
• Chain-of-Draft ajoute au cadre un raisonnement concis en plusieurs étapes.
• L’article rapporte des résultats de précision et de stabilité pour les réunions de 2023–2024 et des comparaisons avec des références nommées.
• La brève description ne fournit pas les détails d’évaluation nécessaires pour juger la généralisation à plus grande échelle.

Étiquettes

# 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.

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.