Simulating Financial Market via Large Language Model based Agents

📄 arXiv: 2406.19966v1 📥 PDF

作者: Shen Gao, Yuntao Wen, Minghang Zhu, Jianing Wei, Yuhan Cheng, Qunzi Zhang, Shuo Shang

分类: cs.CL

发布日期: 2024-06-28

💡 一句话要点

提出基于大语言模型Agent的金融市场模拟器ASFM，用于经济研究。

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

关键词: 金融市场模拟 Agent建模 大型语言模型 经济学研究 股票交易

📋 核心要点

  1. 现有经济理论通常假设金融市场参与者是完全理性的个体，并使用数学模型来模拟人类行为，但人类行为并非完全理性，难以用数学模型准确预测。
  2. 论文提出ASFM，使用基于大语言模型的Agent模拟股票交易员，使其能够理解市场动态和金融政策，并根据交易策略做出决策。
  3. 实验验证了ASFM在可控场景下与真实股票市场的一致性，并在经济学研究方向上验证了其结论与初步发现的一致性。

📝 摘要（中文）

本文提出了一种基于Agent的模拟金融市场（ASFM），该系统使用真实订单匹配系统构建模拟股票市场。核心在于使用基于大型语言模型的Agent作为股票交易员，该Agent包含个人资料、观察模块和基于工具学习的行动模块。交易Agent能够全面理解当前市场动态和金融政策信息，并做出符合其交易策略的决策。实验验证了ASFM在两个可控场景中的反应与真实股票市场的一致性。此外，还在两个流行的经济学研究方向上进行了实验，发现ASFM中得出的结论与经济学研究的初步发现相符。该研究为经济研究提供了一种新的范例。

🔬 方法详解

问题定义：现有经济模型通常假设市场参与者是完全理性的，这与现实情况不符。使用传统数学模型难以准确预测非理性的人类行为，限制了经济研究的有效性。因此，需要一种更贴近真实市场参与者行为的模拟方法。

核心思路：论文的核心思路是利用大型语言模型（LLM）的强大理解和推理能力，构建能够模拟真实交易员行为的Agent。这些Agent可以根据市场信息、金融政策以及自身的交易策略做出决策，从而更真实地模拟金融市场的运作。

技术框架：ASFM系统包含以下主要模块：1) 真实订单匹配系统：构建一个模拟的股票市场，用于处理交易订单。2) 基于LLM的交易Agent：每个Agent包含profile（描述Agent的风险偏好、投资目标等）、observation模块（用于观察市场动态和金融政策信息）和tool-learning based action模块（用于学习和执行交易策略）。Agent通过观察市场信息，结合自身profile和学习到的策略，做出买入、卖出或持有等决策。

关键创新：关键创新在于将大型语言模型引入金融市场模拟，使得Agent能够更真实地模拟人类交易员的行为。与传统的基于规则或数学模型的Agent相比，基于LLM的Agent具有更强的理解能力和适应性，能够更好地应对复杂的市场环境。

关键设计：Agent的profile定义了其风险偏好、投资目标等，影响其交易决策。Observation模块负责收集和处理市场信息，例如股票价格、交易量、新闻报道等。Tool-learning based action模块则负责学习和执行交易策略，例如价值投资、趋势跟踪等。具体的LLM选择和训练方法，以及Agent之间的交互机制，是影响ASFM性能的关键因素，但论文中没有详细说明。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

实验结果表明，ASFM在可控场景下的反应与真实股票市场具有一致性，验证了其有效性。此外，在两个流行的经济学研究方向上进行的实验表明，ASFM中得出的结论与经济学研究的初步发现相符，进一步证明了ASFM的价值。具体的性能数据和提升幅度未在摘要中明确给出。

🎯 应用场景

ASFM可应用于经济学研究，例如评估金融政策的影响、研究市场微观结构、预测市场风险等。它还可以用于金融教育，帮助学生理解金融市场的运作机制。此外，ASFM还可用于开发更智能的交易算法，提高交易效率和盈利能力。

📄 摘要（原文）

Most economic theories typically assume that financial market participants are fully rational individuals and use mathematical models to simulate human behavior in financial markets. However, human behavior is often not entirely rational and is challenging to predict accurately with mathematical models. In this paper, we propose \textbf{A}gent-based \textbf{S}imulated \textbf{F}inancial \textbf{M}arket (ASFM), which first constructs a simulated stock market with a real order matching system. Then, we propose a large language model based agent as the stock trader, which contains the profile, observation, and tool-learning based action module. The trading agent can comprehensively understand current market dynamics and financial policy information, and make decisions that align with their trading strategy. In the experiments, we first verify that the reactions of our ASFM are consistent with the real stock market in two controllable scenarios. In addition, we also conduct experiments in two popular economics research directions, and we find that conclusions drawn in our \model align with the preliminary findings in economics research. Based on these observations, we believe our proposed ASFM provides a new paradigm for economic research.