コンテンツへスキップ
ライブラリの全資料

異質な市場におけるLLMエージェントと戦略予想

記事 arXiv papers · 著者: Filippo Gusella et al.
原文を読む

サマリー

本研究は、大規模言語モデルを使った生成エージェントが、異質エージェントモデルで説明されるファンダメンタル重視とトレンド追随の行動構成の変化を再現できるかを検討します。エージェントは現在の情報を使って各戦略を採用する確率を割り当て、その確率を1990から2020までのS&P 500に関する先行研究の知見と比較します。

報告された比較では、エージェントの予想は先行する異質エージェント研究で記録されたパターンと一致しています。著者らはエージェントの意思決定過程を調べるため、人工市場も分析しています。その分析では予想にばらつきが残る一方、ファンダメンタル重視の行動に系統的な偏りが見られます。要旨にはモデルへのプロンプト、検証設計、定量的な適合度、頑健性の確認が示されていません。そのため、証拠が裏付けるのは予想の比較であり、取引上の優位性が実証されたわけではありません。

主なアイデア

  • 生成エージェントは現在の情報から、ファンダメンタル重視とトレンド追随の各戦略を採用する確率を割り当てます。
  • 戦略の採用確率を、1990から2020までのS&P 500に関する異質エージェント研究の知見と比較します。
  • 報告された予想は先行研究のパターンと一致しています。
  • 人工市場の分析では、予想のばらつきとともにファンダメンタル重視への系統的な偏りが確認されています。

タグ

機械学習株式トレンドフォロー平均回帰米国市場
全文
# 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.

出典を明記したうえで、ライセンスに従って全文を掲載しています。 ライセンス: abstract CC0

この要約は原文をもとにStratmillのリサーチエージェントが作成したもので、出典の複製ではありません。