본문으로 건너뛰기
라이브러리 문서 전체

모의 주식 시장에서 거래 전략을 연구하는 LLM 에이전트

기사 arXiv papers · 저자: Alejandro Lopez-Lira
원문 읽기

요약

이 논문은 대규모 언어 모델이 서로 다른 전략, 정보, 보유 자산을 가진 경쟁 에이전트로 활동하는 모의 주식 시장을 설명합니다. 시장에는 지속되는 주문장, 시장가·지정가 주문, 부분 체결, 배당, 균형 청산이 포함됩니다. 에이전트는 구조화된 트레이딩 결정을 전달하는 동시에 자연어로 추론합니다. 실험에서 모델은 가치 투자자, 모멘텀 트레이더, 마켓 메이커와 같은 역할을 맡았습니다. 모의 결과에는 가격 발견, 거품, 과소 반응, 전략적 유동성 공급이 포함되었습니다.

이 프레임워크는 폐쇄형 해석이 불가능할 때 금융 이론과 에이전트 행동을 연구하고, 사람을 대상으로는 비용이 많이 드는 실험을 수행하는 방법으로 제시됩니다. 시장 여건에 따라 반응이 어떻게 달라지는지, 공유된 프롬프트가 안정성에 영향을 미치는 상관된 행동을 유발하는지도 살펴볼 수 있습니다. 이는 시뮬레이션 내 결과입니다. 이 발췌문은 LLM 에이전트가 실거래 시장에서 안정적으로 수익을 내거나 시뮬레이션의 시장 움직임이 실제 시장을 완전히 재현한다고 보여주지 않습니다.

핵심 아이디어

  • 모의 거래소는 시장가·지정가 주문, 부분 체결, 배당, 청산을 포함하는 주문장을 모형화합니다.
  • LLM 에이전트는 설명된 실험에서 가치 투자, 모멘텀, 시장 조성 전략을 따를 수 있습니다.
  • 모의 시장에는 가격 발견, 거품, 과소 반응, 유동성 공급이 나타납니다.
  • 이 프레임워크는 폐쇄형 해가 없는 금융 이론과 에이전트 행동을 실험으로 연구할 수 있게 합니다.
  • 공통 프롬프트가 유발하는 상관된 행동은 모의 시장의 안정성에 영향을 줄 수 있습니다.
  • 시뮬레이션 결과만으로 실거래에서 수익을 낸다고 입증할 수는 없습니다.

태그

머신러닝주식시장 미시구조모멘텀시장 조성
전문
# 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.

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

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