Использование агентов LLM для прогнозирования решений по ставке федеральных фондов

Сводка

FedSight AI использует агентов на основе больших языковых моделей, чтобы симулировать обсуждения Федерального комитета по операциям на открытом рынке и прогнозировать решения по целевому диапазону ставки федеральных фондов. Отдельные агенты изучают структурированные экономические показатели и неструктурированные материалы, такие как Beige Book, обсуждают варианты денежно-кредитной политики и голосуют, стремясь отразить процесс принятия решений комитетом.

Система также применяет Chain-of-Draft — лаконичный многоэтапный подход к рассуждению. Для заседаний в 2023 и 2024 в статье указаны точность прогнозов 93.75% и стабильность 93.33%; также сообщается, что система превзошла MiniFed и базовую модель случайного леса с порядковой шкалой. Заявленное преимущество системы — прозрачные рассуждения, согласованные с сообщениями FOMC. В предоставленном описании не указаны число оценённых заседаний, протокол оценки и возможность обобщить результаты на другие периоды, поэтому приведённые показатели следует рассматривать только в рамках описанной оценки.

Ключевые идеи

• FedSight AI поручает агентам LLM анализировать экономические показатели и сообщения о политике.
• Агенты обсуждают варианты политики и голосуют, моделируя обсуждения FOMC.
• Chain-of-Draft добавляет в систему лаконичное многоэтапное рассуждение.
• В статье приводятся результаты точности и стабильности для заседаний 2023–2024 и сравнение с указанными базовыми моделями.
• Краткое описание не содержит сведений об оценке, необходимых для суждения о более широкой обобщаемости результатов.

Теги

# 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.

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.