論文の概要: Competitive Market Behavior of LLMs

• arxiv url: http://arxiv.org/abs/2609.02580v1
• Date: Wed, 02 Sep 2026 13:24:42 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-03 17:53:18.381101
• Title: Competitive Market Behavior of LLMs
• Title（参考訳）: LLMの競争的市場挙動
• Authors: Pawel Struski, Jakub Swistak, Inez Okulska, Przemyslaw Biecek,
• Abstract要約: 我々は、人間のために設計された市場メカニズムをテストするために、人間を大きな言語モデル(LLM)に置き換える。 LLMエージェントが占める市場は、市場の均衡に向けて緩やかまたは全く収束していない。 また、エージェントが生成したChain-of-Thoughtトレースの語彙解析も行っている。
• 参考スコア（独自算出の注目度）: 10.688937502565592
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Large language models (LLMs) are increasingly deployed as economic agents, yet there is little evidence whether LLM agents are suited for participating in market mechanisms designed for humans, and whether these mechanisms deliver desired outcomes when faced with LLM agents. We address this question by replicating seminal economic experiments, replacing human subjects with LLM agents. We place agents in a double auction environment, which is a widely-used market mechanism. We check whether such a market is able to deliver an efficient allocation of resources, thereby testing a novel dimension of alignment of LLM agents -- their compatibility with a fundamental market mechanism. We find that markets populated by LLM agents exhibit slower or no convergence towards market equilibrium, thus providing less efficient allocations than markets populated by humans. We then analyze agents' individual trading decisions and find substantial heterogeneity both across model families and market roles. We also run a lexical analysis of Chain-of-Thought (CoT) traces generated by the agents. We find that the decision to execute a trade rather than continue incrementally adjusting prices is associated with a shift from strategic considerations toward urgency. We publicly release our testing framework, which can be used for future evaluations.
• Abstract（参考訳）: 大規模言語モデル (LLM) は、経済エージェントとしてますます普及しているが、LLMエージェントが人間用に設計された市場メカニズムに参加するのに適しているかどうか、そしてこれらのメカニズムがLLMエージェントに直面する際に望ましい結果をもたらすかどうかを示す証拠は少ない。 この問題は、基礎的な経済実験を再現し、人間の被験者をLSMエージェントに置き換えることによって解決する。 エージェントは、広く利用されている市場メカニズムである二重オークション環境に配置する。 我々は、そのような市場が資源の効率的な配分を実現できるかどうかを確認し、それによってLLMエージェントのアライメントの新たな次元、すなわち基本的な市場メカニズムとの互換性をテストする。 LLMエージェントが占める市場は、市場均衡への収束が遅いか、全くなく、人間が占める市場よりも効率が低いことが判明した。 次に、エージェントの個々の取引決定を分析し、モデルファミリーと市場の役割の両方にわたって、実質的な異質性を見つけます。 また,エージェントが生成したCoT(Chain-of-Thought)トレースの語彙解析も行った。 価格を漸進的に調整するよりも、取引を行うという決定は、戦略的考察から緊急への移行に結びついていることがわかりました。 将来の評価に使用できるテストフレームワークを公開しています。

関連論文リスト

• Strategic Exploitation in LLM Agent Markets: A Simulation Framework for E-Commerce Trust [22.530968492590848]
  本稿では,電子商取引市場におけるLCMエージェントの挙動を研究するための制御シミュレーションフレームワークであるTruthMarketTwinを紹介する。 LLMエージェントが従来の市場にリリースされ、評判に基づくガバナンスの弱点を自律的に活用していることがわかりました。 その結果, LLM-agent シミュレーションは, 機関が支配する自律市場を研究するためのツールとして位置づけられた。
  論文  参考訳（メタデータ） (2026-05-11T06:36:19Z)
• Market-Bench: Benchmarking Large Language Models on Economic and Trade Competition [102.73682784993169]
  本稿では,経済関連タスクにおける大規模言語モデル(LLM)の能力を評価するベンチマークであるtextbfMarket-Benchを紹介する。 我々は、LLMが商品の調達・販売を担当する小売業者として機能するマルチエージェントサプライチェーン経済モデルを構築した。 Market-Benchは入札、価格、スローガン、販売、バランスシートの完全な軌跡を記録し、経済、運用、セマンティックメトリクスによる自動評価を可能にしている。
  論文  参考訳（メタデータ） (2026-04-07T07:23:51Z)
• Magentic Marketplace: An Open-Source Environment for Studying Agentic Markets [74.91125572848439]
  本稿では,サービスエージェントが消費者を代表し,サービスエージェントが競合するビジネスを代表する2面のエージェントマーケットプレースについて検討する。 この環境では、ユーティリティエージェントが達成する行動バイアス、操作に対する脆弱性、検索メカニズムが市場の結果をどのように形作るか、といった主要な市場ダイナミクスを研究することができる。 実験の結果、フロンティアモデルは最適な福祉に近づくことができるが、理想的な探索条件下でのみ適用可能であることが判明した。
  論文  参考訳（メタデータ） (2025-10-27T18:35:59Z)
• To Trade or Not to Trade: An Agentic Approach to Estimating Market Risk Improves Trading Decisions [0.0]
  大規模言語モデル(LLM)はますますエージェントフレームワークにデプロイされている。 我々は LLM を用いて金融時系列の微分方程式を反復的に発見するエージェントシステムを開発した。 モデルインフォームドトレーディング戦略は標準LLMエージェントよりも優れていた。
  論文  参考訳（メタデータ） (2025-07-11T13:29:32Z)
• Shifting Power: Leveraging LLMs to Simulate Human Aversion in ABMs of Bilateral Financial Exchanges, A bond market study [15.379345372327375]
  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。
  論文  参考訳（メタデータ） (2025-03-01T03:15:13Z)
• 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)
• Deep Q-Learning Market Makers in a Multi-Agent Simulated Stock Market [58.720142291102135]
  本稿では,エージェント・ベースの観点から,これらのマーケット・メーカーの戦略に関する研究に焦点をあてる。 模擬株式市場における知的市場マーカー作成のための強化学習(Reinforcement Learning, RL)の適用を提案する。
  論文  参考訳（メタデータ） (2021-12-08T14:55:21Z)

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。