Dùng tác nhân LLM để dự đoán quyết định lãi suất quỹ liên bang

Tóm tắt

FedSight AI dùng các tác nhân mô hình ngôn ngữ lớn để mô phỏng thảo luận của Ủy ban Thị trường Mở Liên bang và dự đoán quyết định về mức lãi suất mục tiêu của quỹ liên bang. Từng tác nhân xem xét các chỉ báo kinh tế có cấu trúc và tài liệu phi cấu trúc như Beige Book, thảo luận các phương án chính sách rồi bỏ phiếu, nhằm phản ánh quy trình ra quyết định của ủy ban.

Hệ thống cũng áp dụng Chain-of-Draft, một phương pháp suy luận nhiều giai đoạn súc tích. Với các cuộc họp năm 2023 và 2024, bài báo báo cáo độ chính xác dự đoán 93.75% và độ ổn định 93.33%, đồng thời cho biết hệ thống vượt MiniFed và mô hình rừng ngẫu nhiên thứ bậc làm chuẩn cơ sở. Điểm mạnh được nêu là khả năng suy luận minh bạch, phù hợp với thông tin liên lạc của FOMC. Phần mô tả không cho biết số cuộc họp được đánh giá, quy trình đánh giá hay kết quả có khái quát được ngoài giai đoạn đó không, vì vậy cần hiểu các con số trong phạm vi thiết lập đánh giá đã nêu.

Ý chính

• FedSight AI phân công LLM tác nhân phân tích chỉ báo kinh tế và thông tin liên lạc về chính sách.
• Các tác nhân tranh luận về phương án chính sách và bỏ phiếu để mô phỏng thảo luận của FOMC.
• Chain-of-Draft bổ sung suy luận nhiều giai đoạn súc tích cho khuôn khổ.
• Bài báo báo cáo kết quả về độ chính xác và độ ổn định cho các cuộc họp 2023–2024, cùng các so sánh với mô hình chuẩn có tên.
• Phần mô tả ngắn không cung cấp đủ chi tiết đánh giá để nhận định khả năng khái quát rộng hơn.

Thẻ

# 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.

Hiển thị toàn văn kèm ghi nguồn theo giấy phép của tài liệu gốc. Giấy phép: abstract CC0

Bản tóm tắt này do tác nhân nghiên cứu của Stratmill biên soạn từ tài liệu gốc; đây không phải bản sao của tài liệu.