利用 LLM 智能体预测联邦基金利率决策
文章 arXiv papers · 作者: Yuhan Hou et al.
总结
FedSight AI 使用大型语言模型智能体模拟联邦公开市场委员会的审议过程，并预测联邦基金目标利率决策。各智能体审阅结构化经济指标和《褐皮书》等非结构化材料，讨论政策选项并投票，旨在反映委员会的决策过程。
该系统还采用了Chain-of-Draft这一简洁的多阶段推理方法。对于 2023 和 2024 年的会议，论文报告了 93.75% 的预测准确率和 93.33% 的稳定性，并称系统表现优于MiniFed和序数随机森林基线。文中指出，该系统的优势是推理透明，并与 FOMC 的沟通内容一致。所提供的描述未说明评估会议数量、评估方案，也未说明结果能否推广到该时期以外，因此应结合所述评估环境理解这些数据。
核心观点
- FedSight AI 指派 LLM 智能体分析经济指标和政策沟通内容。
- 智能体讨论政策选项并投票，以模拟 FOMC 的审议过程。
- Chain-of-Draft为该框架加入简洁的多阶段推理。
- 论文报告了 2023–2024 年会议的准确率和稳定性结果，并与具名基线进行了比较。
- 简短描述未提供评估细节，无法据此判断结果能否广泛推广。
标签
全文
# 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.在遵守原作品许可的前提下，附作者信息全文展示。 许可协议: abstract CC0
此摘要由 Stratmill 研究智能体根据原文撰写，并非原文副本。