FedSight AI: Multi-Agent System Architecture for Federal Funds Target Rate Prediction

📄 arXiv: 2512.15728v1 📥 PDF

作者: Yuhan Hou, Tianji Rao, Jeremy Tan, Adler Viton, Xiyue Zhang, David Ye, Abhishek Kodi, Sanjana Dulam, Aditya Paul, Yikai Feng

分类: q-fin.GN, cs.AI

发布日期: 2025-12-05

备注: NeurIPS 2025 Generative AI in Finance Workshop

💡 一句话要点

FedSight AI：多智能体系统预测联邦基金利率目标，模拟FOMC决策。

🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)

关键词: 联邦基金利率预测 多智能体系统 大型语言模型 FOMC决策模拟 货币政策

📋 核心要点

  1. 现有方法难以准确模拟FOMC决策过程，缺乏透明的推理过程，影响了联邦基金利率预测的准确性。
  2. FedSight AI通过构建多智能体系统，模拟FOMC成员的决策过程，利用LLM进行分析、辩论和投票，从而预测政策结果。
  3. 实验结果表明，FedSight CoD在预测准确率和稳定性方面均优于现有基线模型，并提供了透明的决策推理过程。

📝 摘要（中文）

本文提出了一种名为FedSight AI的多智能体框架，该框架利用大型语言模型（LLM）来模拟联邦公开市场委员会（FOMC）的审议过程，并预测政策结果。框架中的每个智能体分析结构化指标和非结构化输入（如褐皮书），辩论各种选项并进行投票，从而复制委员会的推理过程。通过引入Chain-of-Draft（CoD）扩展，进一步提高了效率和准确性，该扩展强制执行简洁的多阶段推理。在2023-2024年会议上的评估表明，FedSight CoD实现了93.75%的准确率和93.33%的稳定性，优于包括MiniFed和Ordinal Random Forest（RF）在内的基线模型，同时提供了与真实FOMC沟通一致的透明推理。

🔬 方法详解

问题定义：论文旨在解决联邦基金利率目标预测问题。现有方法，如MiniFed和Ordinal Random Forest，在模拟FOMC决策过程和提供透明推理方面存在不足，导致预测准确性受限。这些方法无法充分利用FOMC会议的非结构化信息，如褐皮书，也缺乏对委员会成员之间互动和辩论的模拟。

核心思路：论文的核心思路是构建一个多智能体系统，每个智能体代表FOMC的一名成员。这些智能体能够分析结构化经济指标和非结构化文本信息，进行辩论，并最终投票决定联邦基金利率目标。通过模拟FOMC的决策过程，该系统能够更准确地预测政策结果，并提供透明的推理过程。

技术框架：FedSight AI的整体架构包含以下主要模块：1) 数据输入模块：负责收集和处理结构化经济指标（如通货膨胀率、失业率）和非结构化文本信息（如褐皮书）。2) 智能体模块：包含多个智能体，每个智能体代表FOMC的一名成员，使用LLM进行推理和决策。3) 辩论模块：智能体之间进行辩论，交换观点和信息，从而达成共识。4) 投票模块：智能体进行投票，决定联邦基金利率目标。5) Chain-of-Draft (CoD)模块：通过强制执行简洁的多阶段推理，提高效率和准确性。

关键创新：最重要的技术创新点在于使用多智能体系统来模拟FOMC的决策过程。与传统的单模型方法相比，该方法能够更好地捕捉FOMC成员之间的互动和辩论，从而更准确地预测政策结果。此外，CoD扩展通过强制执行简洁的多阶段推理，进一步提高了效率和准确性。

关键设计：每个智能体使用LLM进行推理和决策，LLM的选择和训练是关键。CoD扩展通过限制每个阶段的输出长度和强制执行特定的推理步骤，来提高效率和准确性。具体的参数设置和损失函数在论文中未详细说明，属于未知信息。

🖼️ 关键图片

fig_0

📊 实验亮点

FedSight CoD在2023-2024年FOMC会议上的评估中，实现了93.75%的准确率和93.33%的稳定性。与基线模型MiniFed和Ordinal Random Forest相比，FedSight CoD在准确率和稳定性方面均有显著提升，并且提供了与真实FOMC沟通一致的透明推理过程。

🎯 应用场景

FedSight AI可应用于金融机构、政策研究机构和投资者，帮助他们更好地理解和预测货币政策，从而做出更明智的投资决策。该系统还可以用于评估不同政策方案的影响，为政策制定者提供参考。未来，该技术可扩展到其他政策决策领域，例如财政政策和贸易政策。

📄 摘要（原文）

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.