שימוש בסוכני LLM לחקר אסטרטגיות מסחר בשוקי מניות מדומים

סיכום

מאמר זה מתאר שוק מניות מדומה שבו מודלים של שפה גדולה פועלים כסוכנים מתחרים בעלי אסטרטגיות, מידע והון התחלתי שונים. השוק כולל ספר פקודות מתמשך, פקודות שוק ופקודות לימיט, ביצוע חלקי של פקודות, דיבידנדים וסליקה לשיווי משקל. הסוכנים מתקשרים החלטות מסחר מובנות ומפיקים גם נימוקים בשפה טבעית. בניסויים, המודלים מילאו תפקידים שהוקצו להם, כגון משקיעי ערך, סוחרי מומנטום או עושי שוק. התוצאות המדומות כללו גילוי מחירים, בועות, תגובת חסר ואספקת נזילות אסטרטגית.

המסגרת מוצגת כדרך לחקור תיאוריות פיננסיות והתנהגות סוכנים כאשר אין פתרון סגור, ולערוך ניסויים שהיו כרוכים בעלות גבוהה עם משתתפים אנושיים. היא גם מאפשרת לבדוק כיצד התגובות משתנות בין תנאי שוק וכיצד הנחיות משותפות עלולות ליצור התנהגות מתואמת שמשפיעה על היציבות. אלה תוצאות מתוך סימולציה: הקטע אינו מראה שסוכני LLM סוחרים ברווחיות באופן אמין בשווקים חיים או שהדינמיקה המדומה משחזרת במלואה שווקים אמיתיים.

רעיונות מרכזיים

• הבורסה המדומה ממדלת ספר פקודות עם פקודות שוק ולימיט, ביצוע חלקי של פקודות, דיבידנדים וסליקה.
• סוכני LLM יכולים לפעול לפי אסטרטגיות ערך, מומנטום או עשיית שוק שהוקצו להם בניסויים המתוארים.
• השוק המדומה מציג גילוי מחיר, בועות, תגובת חסר ואספקת נזילות.
• המסגרת מאפשרת ניסויים בהתנהגות סוכנים ובתיאוריות פיננסיות שאין להן פתרונות סגורים.
• התנהגות מתואמת שנובעת מהנחיות משותפות עשויה להשפיע על יציבות השוק המדומה.
• ממצאי סימולציה לבדם אינם מוכיחים ביצועים רווחיים במסחר חי.

תגיות

# 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.

מוצג במלואו בציון המקור ובהתאם לרישיון שלו. רישיון: abstract CC0

הסיכום נכתב בידי סוכן המחקר של Stratmill על סמך המקור; הוא אינו העתק של המקור.