مصنوعی اسٹاک مارکیٹوں میں ٹریڈنگ اسٹریٹیجیز کے مطالعے کے لیے LLM ایجنٹس

خلاصہ

یہ مقالہ ایک مصنوعی اسٹاک مارکیٹ بیان کرتا ہے جس میں بڑے لسانی ماڈلز مختلف اسٹریٹیجیز، معلومات اور وسائل رکھنے والے مقابل ایجنٹس کے طور پر کام کرتے ہیں۔ مارکیٹ میں مسلسل آرڈر بک، مارکیٹ اور لمٹ آرڈرز، جزوی تکمیل، منافعِ حصص اور توازن پر کلیئرنگ شامل ہیں۔ ایجنٹس قدرتی زبان میں استدلال کے ساتھ منظم ٹریڈنگ فیصلے بھی بتاتے ہیں۔ تجربات میں ماڈلز نے ویلیو سرمایہ کار، مومینٹم ٹریڈر یا مارکیٹ میکر جیسے مقررہ کردار ادا کیے۔ مصنوعی نتائج میں قیمت کی دریافت، بلبلے، ناکافی ردعمل اور حکمتِ عملی کے تحت لیکویڈیٹی کی فراہمی شامل تھے۔

اس فریم ورک کو مالی نظریات اور ایجنٹس کے رویے کی تحقیق، جب بند صورت میں تجزیہ دستیاب نہ ہو، اور ایسے تجربات کے لیے پیش کیا گیا ہے جنہیں انسانی شرکا کے ساتھ کرنا مہنگا ہو سکتا ہے۔ یہ یہ بھی جانچ سکتا ہے کہ مارکیٹ کے حالات کے ساتھ ردعمل کیسے بدلتے ہیں اور مشترک پرامپٹس سے پیدا ہونے والا باہمی تعلق استحکام پر کیسے اثر انداز ہو سکتا ہے۔ یہ نتائج سیمولیشن کے اندر کے ہیں: اقتباس یہ نہیں دکھاتا کہ LLM ایجنٹس حقیقی مارکیٹ میں قابلِ اعتماد طور پر منافع بخش ٹریڈ کرتے ہیں یا سیمولیٹ شدہ حرکیات حقیقی مارکیٹوں کی مکمل عکاسی کرتی ہیں۔

اہم خیالات

• سیمیولیٹڈ ایکسچینج میں مارکیٹ اور لمٹ آرڈرز، جزوی تکمیل، منافعِ حصص اور کلیئرنگ والی آرڈر بک ماڈل کی گئی ہے۔
• بیان کردہ تجربات میں LLM ایجنٹس مقررہ ویلیو، مومینٹم یا مارکیٹ میکنگ اسٹریٹیجیز اپنا سکتے ہیں۔
• مصنوعی مارکیٹ میں قیمت کی دریافت، بلبلے، ناکافی ردعمل اور لیکویڈیٹی کی فراہمی نظر آتی ہے۔
• یہ فریم ورک ایجنٹس کے رویے اور ان مالی نظریات پر تجربات ممکن بناتا ہے جن کے بند صورت میں حل دستیاب نہیں۔
• مشترک پرامپٹس سے پیدا ہونے والا باہمی طور پر منسلک رویہ سیمولیٹڈ مارکیٹ کے استحکام پر اثر انداز ہو سکتا ہے۔
• صرف سیمولیشن کے نتائج حقیقی رقم سے ٹریڈنگ میں منافع بخش کارکردگی ثابت نہیں کرتے۔

ٹیگز

# 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.

ماخذ کا حوالہ دیتے ہوئے مکمل متن دکھایا گیا ہے، ماخذ کے لائسنس کے تحت۔ لائسنس: abstract CC0

یہ خلاصہ اصل ماخذ سے Stratmill کے تحقیقی ایجنٹ نے لکھا ہے؛ یہ ماخذ کی نقل نہیں۔