論文の概要: Shifting Power: Leveraging LLMs to Simulate Human Aversion in ABMs of Bilateral Financial Exchanges, A bond market study

• arxiv url: http://arxiv.org/abs/2503.00320v2
• Date: Tue, 04 Mar 2025 16:36:54 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-03-05 19:14:36.085209
• Title: Shifting Power: Leveraging LLMs to Simulate Human Aversion in ABMs of Bilateral Financial Exchanges, A bond market study
• Title（参考訳）: シフトパワー:両国間金融取引所のABMにおける人的逆転を模擬するLLMの活用 : 債券市場調査
• Authors: Alicia Vidler, Toby Walsh,
• Abstract要約: TRIBEは、大きな言語モデル(LLM)を付加したエージェントベースのモデルで、取引環境における人間のような意思決定をシミュレートする。 人為的な変動性の導入は、パワーダイナミクスをクライアントにシフトさせ、システム全体に不均等に影響を及ぼすことを示した。
• 参考スコア（独自算出の注目度）: 15.379345372327375
• License:
• Abstract: Bilateral markets, such as those for government bonds, involve decentralized and opaque transactions between market makers (MMs) and clients, posing significant challenges for traditional modeling approaches. To address these complexities, we introduce TRIBE an agent-based model augmented with a large language model (LLM) to simulate human-like decision-making in trading environments. TRIBE leverages publicly available data and stylized facts to capture realistic trading dynamics, integrating human biases like risk aversion and ambiguity sensitivity into the decision-making processes of agents. Our research yields three key contributions: first, we demonstrate that integrating LLMs into agent-based models to enhance client agency is feasible and enriches the simulation of agent behaviors in complex markets; second, we find that even slight trade aversion encoded within the LLM leads to a complete cessation of trading activity, highlighting the sensitivity of market dynamics to agents' risk profiles; third, we show that incorporating human-like variability shifts power dynamics towards clients and can disproportionately affect the entire system, often resulting in systemic agent collapse across simulations. These findings underscore the emergent properties that arise when introducing stochastic, human-like decision processes, revealing new system behaviors that enhance the realism and complexity of artificial societies.
• Abstract（参考訳）: 国債のような二国間市場は、市場メーカ(MM)と顧客の間の非中央集権的かつ不透明な取引を伴い、従来のモデリングアプローチにとって大きな課題となっている。 これらの複雑さに対処するため,貿易環境における人間的な意思決定をシミュレートするために,大規模言語モデル(LLM)を付加したエージェントベースモデルTRIBEを導入する。 TRIBEは、公開データとスタイル化された事実を活用して、現実的なトレーディングのダイナミクスを捉え、リスク回避やあいまいさの感度といった人間のバイアスをエージェントの意思決定プロセスに統合する。 まず, LLMをエージェントベースモデルに統合することで, 複雑な市場におけるエージェント行動のシミュレーションが実現可能であり, 第二に, LLM内に符号化されたわずかな取引回避でさえ, 取引活動の完全停止を招き, エージェントのリスクプロファイルに対する市場ダイナミクスの感度を強調させる。 これらの知見は、確率的、人間的な決定プロセスを導入し、人工社会の現実性と複雑さを高める新しいシステム行動を明らかにする際に生じる創発的特性を裏付けるものである。

関連論文リスト

• TradingAgents: Multi-Agents LLM Financial Trading Framework [4.293484524693143]
  TradingAgentsは、トレーディング会社にインスパイアされた新しい株式トレーディングフレームワークを提案する。 基本的なアナリスト、センチメントアナリスト、テクニカルアナリスト、さまざまなリスクプロファイルを持つトレーダーといった専門的な役割でLLMを動力とするエージェントが特徴である。 動的で協調的なトレーディング環境をシミュレートすることで、このフレームワークはトレーディングのパフォーマンスを改善することを目指している。
  論文  参考訳（メタデータ） (2024-12-28T12:54:06Z)
• LMAgent: A Large-scale Multimodal Agents Society for Multi-user Simulation [66.52371505566815]
  大規模言語モデル(LLM)ベースのAIエージェントは、人間のような知性を達成するために、大きな進歩を遂げた。 LMAgentは,マルチモーダル LLM に基づく大規模かつマルチモーダルなエージェント社会である。 LMAgentでは、友人とチャットする以外に、エージェントは自動で商品を閲覧、購入、レビューしたり、ライブストリーミングのeコマースを行うこともできる。
  論文  参考訳（メタデータ） (2024-12-12T12:47:09Z)
• TraderTalk: An LLM Behavioural ABM applied to Simulating Human Bilateral Trading Interactions [15.379345372327375]
  本稿では,エージェントベースモデル(ABM)とLarge Language Models(LLM)を併用して,人間の取引相互作用をシミュレートする,新たなハイブリッドアプローチを提案する。 我々は、我々のモデルをTraderTalkと呼びます。LLMを利用して、金融取引における双方向の会話の詳細な表現とニュアンスな表現を取ります。
  論文  参考訳（メタデータ） (2024-10-10T23:58:07Z)
• Textualized Agent-Style Reasoning for Complex Tasks by Multiple Round LLM Generation [49.27250832754313]
  我々は、llmベースの自律エージェントフレームワークであるAgentCOTを紹介する。 それぞれのステップで、AgentCOTはアクションを選択し、それを実行して、証拠を裏付ける中間結果を得る。 エージェントCOTの性能を高めるための2つの新しい戦略を導入する。
  論文  参考訳（メタデータ） (2024-09-19T02:20:06Z)
• On the limits of agency in agent-based models [13.130587222524305]
  エージェントベースモデリングは複雑なシステムに対する強力な洞察を提供するが、その実用性は計算の制約によって制限されている。 大規模言語モデル(LLM)の最近の進歩は、適応エージェントによるABMを強化する可能性があるが、大規模なシミュレーションへの統合は依然として困難である。 大規模シミュレーションにおいて,行動複雑性と計算効率のバランスをとる手法であるLSMアーチタイプを提案する。
  論文  参考訳（メタデータ） (2024-09-14T04:17:24Z)
• When AI Meets Finance (StockAgent): Large Language Model-based Stock Trading in Simulated Real-world Environments [55.19252983108372]
  LLMによって駆動される、StockAgentと呼ばれるマルチエージェントAIシステムを開発した。 StockAgentを使えば、ユーザーはさまざまな外部要因が投資家取引に与える影響を評価することができる。 AIエージェントに基づく既存のトレーディングシミュレーションシステムに存在するテストセットのリーク問題を回避する。
  論文  参考訳（メタデータ） (2024-07-15T06:49:30Z)
• MARS: Benchmarking the Metaphysical Reasoning Abilities of Language Models with a Multi-task Evaluation Dataset [50.36095192314595]
  大きな言語モデル(LLM)は、一般化可能な推論能力を持つ意識的なエージェントとして機能する。 この能力は、イベントにおける無限の可能な変更をモデル化する複雑さのために、まだ探索されていない。 我々は,各ステップに対応する3つのタスクからなる最初のベンチマークMARSを紹介する。
  論文  参考訳（メタデータ） (2024-06-04T08:35:04Z)
• QuantAgent: Seeking Holy Grail in Trading by Self-Improving Large Language Model [14.800710112671226]
  本稿では,ドメイン固有の知識基盤を効率的に構築し,統合する上での課題に対処する,原則的枠組みを提案する。 内側のループでは、エージェントは知識ベースから引き出すことで応答を洗練し、外側のループでは、これらの応答は現実世界のシナリオでテストされる。 我々はこのフレームワークを、QuantAgentという名のトレーディングシグナルをマイニングするための自律エージェントを通じてインスタンス化する。
  論文  参考訳（メタデータ） (2024-02-06T06:47:14Z)
• Many learning agents interacting with an agent-based market model [0.0]
  反応型エージェントベースモデルと相互作用する最適な実行取引エージェントの学習のダイナミクスを考察する。 このモデルは、最適な実行学習エージェント、最小限の知的流動性テイカー、高速な電子流動性プロバイダによって表される3つの栄養レベルを持つ市場エコロジーを表している。 学習可能な最適な実行エージェントを組み込むことで、経験的データと同じ複雑さで動的に生成できるかどうかを検討する。
  論文  参考訳（メタデータ） (2023-03-13T18:15:52Z)
• Finding General Equilibria in Many-Agent Economic Simulations Using Deep Reinforcement Learning [72.23843557783533]
  本研究では,エージェント種別のメタゲームに対して,エプシロン・ナッシュ平衡である安定解を求めることができることを示す。 私たちのアプローチはより柔軟で、例えば市場クリア化のような非現実的な仮定は必要ありません。 当社のアプローチは、実際のビジネスサイクルモデル、DGEモデルの代表的なファミリー、100人の労働者消費者、10社の企業、税金と再分配を行う政府で実証しています。
  論文  参考訳（メタデータ） (2022-01-03T17:00:17Z)
• ERMAS: Becoming Robust to Reward Function Sim-to-Real Gaps in Multi-Agent Simulations [110.72725220033983]
  Epsilon-Robust Multi-Agent Simulation (ERMAS)は、このようなマルチエージェントのsim-to-realギャップに対して堅牢なAIポリシーを学ぶためのフレームワークである。 ERMASは、エージェントリスク回避の変化に対して堅牢な税政策を学び、複雑な時間シミュレーションで最大15%社会福祉を改善する。 特に、ERMASは、エージェントリスク回避の変化に対して堅牢な税制政策を学び、複雑な時間シミュレーションにおいて、社会福祉を最大15%改善する。
  論文  参考訳（メタデータ） (2021-06-10T04:32:20Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。