Étudier les stratégies de trading sur des marchés boursiers simulés avec des agents LLM

Résumé

Cet article décrit un marché boursier simulé où des modèles de langage de grande taille agissent comme des agents concurrents ayant des stratégies, des informations et des dotations différentes. Le marché comprend un carnet d’ordres persistant, des ordres au marché et à cours limité, des exécutions partielles, des dividendes et un mécanisme d’équilibre. Les agents communiquent des décisions de trading structurées tout en produisant aussi un raisonnement en langage naturel. Dans les expériences, les modèles suivent des rôles assignés, comme investisseur axé sur la valeur, trader momentum ou teneur de marché. Les résultats simulés comprennent la découverte des prix, des bulles, une réaction insuffisante et une fourniture stratégique de liquidité.

Le cadre est présenté comme un moyen d’étudier les théories financières et le comportement des agents lorsque l’analyse sous forme fermée est impossible, ainsi que de mener des expériences qui seraient coûteuses avec des participants humains. Il permet aussi d’examiner comment les réponses évoluent selon les conditions de marché et comment des prompts communs peuvent créer des comportements corrélés qui affectent la stabilité. Ces résultats sont issus d’une simulation : l’extrait ne montre pas que les agents LLM négocient de manière rentable de façon fiable sur les marchés en temps réel ni que la dynamique simulée reproduit pleinement les marchés réels.

Idées clés

• La plateforme simulée modélise un carnet d’ordres avec des ordres au marché et à cours limité, des exécutions partielles, des dividendes et un mécanisme de compensation.
• Dans les expériences décrites, les agents LLM peuvent suivre des stratégies assignées axées sur la valeur, le momentum ou la tenue de marché.
• Le marché simulé présente une découverte des prix, des bulles, une réaction insuffisante et une fourniture de liquidité.
• Le cadre permet des expériences sur le comportement des agents et les théories financières sans solution sous forme fermée.
• Les comportements corrélés induits par des prompts communs peuvent affecter la stabilité du marché simulé.
• Les résultats de simulation ne démontrent pas, à eux seuls, une performance rentable en trading réel.

Étiquettes

# 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.

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.