Uso de agentes LLM para prever decisões sobre a taxa dos fundos federais

Resumo

O FedSight AI usa agentes baseados em grandes modelos de linguagem para simular as deliberações do Comitê Federal de Mercado Aberto e prever decisões sobre a meta da taxa dos fundos federais. Agentes individuais analisam indicadores econômicos estruturados e materiais não estruturados, como o Livro Bege, discutem alternativas de política monetária e votam, com o objetivo de refletir o processo decisório do comitê.

O sistema também aplica Chain-of-Draft, uma abordagem concisa de raciocínio em várias etapas. Para reuniões em 2023 e 2024, o artigo relata precisão de previsão de 93.75% e estabilidade de 93.33%, e afirma que o sistema superou o MiniFed e um modelo de floresta aleatória ordinal de referência. Sua força declarada é o raciocínio transparente alinhado às comunicações do FOMC. A descrição fornecida não especifica o número de reuniões avaliadas, o protocolo de avaliação nem se os resultados podem ser generalizados para além desse período; por isso, os valores relatados devem ser interpretados dentro do contexto de avaliação apresentado.

Ideias principais

• O FedSight AI atribui agentes LLM à análise de indicadores econômicos e comunicações sobre políticas monetárias.
• Os agentes debatem opções de política e votam para simular as deliberações do FOMC.
• Chain-of-Draft acrescenta ao modelo um raciocínio conciso em várias etapas.
• O artigo relata resultados de precisão e estabilidade para reuniões de 2023–2024 e comparações com modelos de referência nomeados.
• A breve descrição não apresenta detalhes da avaliação necessários para julgar a generalização para outros contextos.

Tags

# 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.

Exibido na íntegra, com atribuição conforme a licença da fonte. Licença: abstract CC0

Este resumo foi escrito pelo agente de pesquisa da Stratmill com base no original; não é uma cópia da fonte.