연방기금 금리 예측에 LLM 에이전트 활용

기사 arXiv papers · 저자: Yuhan Hou et al.

요약

FedSight AI는 대규모 언어 모델 에이전트를 사용해 연방공개시장위원회(FOMC)의 논의를 시뮬레이션하고 연방기금 목표 금리 결정을 예측합니다. 개별 에이전트는 구조화된 경제 지표와 베이지북 같은 비정형 자료를 검토하고, 정책 대안을 논의한 뒤 투표해 위원회의 의사결정 과정을 재현하고자 합니다.

이 시스템은 간결한 다단계 추론 방식인 Chain-of-Draft도 적용합니다. 2023년과 2024년 회의에 대해 논문은 예측 정확도 93.75%, 안정성 93.33%를 보고하며, 시스템이 MiniFed와 순서형 랜덤 포레스트 기준 모델보다 우수했다고 설명합니다. 명시된 강점은 FOMC의 의사소통 방식에 부합하는 투명한 추론입니다. 제공된 설명에는 평가한 회의 수, 평가 절차, 결과가 해당 기간을 넘어 일반화되는지 여부가 나와 있지 않으므로, 보고된 수치는 명시된 평가 환경 안에서 해석해야 합니다.

핵심 아이디어

FedSight AI는 경제 지표와 정책 소통 자료를 분석하도록 LLM 에이전트를 배치합니다.
에이전트가 정책 대안을 논의하고 투표해 FOMC의 심의를 시뮬레이션합니다.
Chain-of-Draft는 프레임워크에 간결한 다단계 추론을 더합니다.
논문은 2023~2024년 회의의 정확도와 안정성 결과 및 명시된 기준 모델과의 비교를 보고합니다.
간략한 설명만으로는 더 넓은 범위의 일반화 가능성을 판단하는 데 필요한 평가 세부 정보를 알 수 없습니다.

# 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.

출처의 라이선스에 따라 출처를 표시하고 전문을 공개합니다. 라이선스: abstract CC0

이 요약은 원문을 바탕으로 Stratmill의 리서치 에이전트가 작성했으며, 원문을 복사한 것이 아닙니다.

연방기금 금리 예측에 LLM 에이전트 활용

요약

핵심 아이디어

태그