当 AI 遇金融（StockAgent）：基于大语言模型的模拟真实环境股票交易
数据结构与算法
2024-07-30 v1
摘要
AI 代理能否在模拟真实世界的交易环境中来检验外部因素（如宏观经济、政策变更、公司基本面和全球事件）对股票交易活动影响？这些因素是检验最大化投资者利润的关键要素。我们的工作通过基于大语言模型的代理来解决这个问题。我们开发了一个名为 StockAgent 的多代理 AI 系统，该系统由 LLM 驱动，旨在模拟投资者对真实股票市场的交易行为。StockAgent 允许用户评估不同外部因素对投资者交易的影响，并分析交易行为和盈利效应。此外，StockAgent 避免了基于 AI 代理的现有交易模拟系统中存在的测试集泄漏问题。具体而言，它防止模型利用与测试数据相关的先验知识。我们在接近真实世界条件的股票交易环境中评估了不同 LLMs 在 StockAgent 框架下的表现。实验结果展示了关键外部因素对股票市场交易的影响，包括交易行为和股票价格波动规则。该研究探索了在无关于市场数据先验知识的上下文中，代理自由交易间隙的模式。通过 StockAgent 模拟识别的模式为基于 LLM 的投资建议和股票推荐提供了宝贵的见解。代码已公开于 https://github.com/MingyuJ666/Stockagent。
引用
@article{arxiv.2407.18956,
title = {MIOV: Reordering MOVI for even better locality},
author = {Peter Perešíni and Nathaniel K. Brown and Travis Gagie and Ben Langmead},
journal= {arXiv preprint arXiv:2407.18956},
year = {2024}
}