LLM-агенты и ожидания относительно стратегий на неоднородных рынках

Сводка

В исследовании проверяется, может ли генеративный агент на базе большой языковой модели воспроизвести изменения в соотношении фундаментального и следования за трендом поведения, описанные моделями неоднородных агентов. Агент использует текущую информацию, чтобы назначать вероятности выбора каждой из стратегий; эти вероятности сопоставляются с результатами опубликованных исследований по S&P 500 за период с 1990 по 2020.

Согласно представленному сравнению, ожидания агента соответствуют закономерностям, описанным в более ранних исследованиях неоднородных агентов. Авторы также изучают искусственный рынок, чтобы исследовать процесс принятия решений агентом. Анализ сохраняет вариативность ожиданий, но выявляет систематический уклон в сторону фундаментального поведения. В аннотации не указаны запросы к модели, дизайн валидации, количественная точность соответствия или проверки устойчивости, поэтому результаты позволяют сравнивать ожидания, но не демонстрируют торговое преимущество.

Ключевые идеи

• Генеративный агент использует текущую информацию, чтобы назначать вероятности выбора фундаментальной стратегии или стратегии следования за трендом.
• Вероятности выбора стратегий сравниваются с результатами исследований неоднородных агентов для S&P 500 за период с 1990 по 2020.
• Согласно результатам, ожидания агента соответствуют закономерностям, описанным в предыдущих исследованиях.
• Анализ искусственного рынка показывает неоднородность ожиданий и систематический уклон в сторону фундаментального поведения.

Теги

# 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.

Полный текст с указанием источника опубликован на условиях его лицензии. Лицензия: abstract CC0

Это краткое изложение подготовлено исследовательским агентом Stratmill по оригиналу и не является его копией.