用大模型炒股如何？

稻草人 • 1小时前 • 量化绘梦 • 阅读 8

摘要

本研究在一個經典的實驗金融範式中，將大型語言模型（LLM）與人類交易者進行比較，該範式中價格由內生因素決定。

我們採用成熟的資產交易設計，運行同質（單代理）市場（使用單一模型LLM代理）和異質“大逃殺”市場（使用多個LLM模型）。研究結果表明，LLM通常表現出“教科書式理性”的方法，將資產定價在其基本價值附近，並且泡沫形成傾向較弱，而人類則顯著偏離這一規律，並持續產生泡沫。其他處理，包括股息衝擊和重複暴露（“經驗”）運行，表明這些差異在各種實驗設置中仍然存在。

對LLM生成的策略文本的進一步分析表明，與人類更依賴啓發式的交易相比，LLM的策略文本具有更低的方差、更少的偏差以及對基本面更強的依賴性。

這些結果凸顯了使用LLM代理來模擬人類驅動的市場現象的風險，因爲諸如大型的、新興泡沫等關鍵行爲特徵無法重現。

1介紹

金融市場是複雜的、動態的協調系統，由個人決策形成在不確定性下。雖然傳統金融理論假設理性行爲，但幾十年的行爲金融研究揭示了持續的偏見，如羊羣效應和過度自信，這可能導致錯誤定價和資產泡沫。這些偏差凸顯了實現不確定和不斷變化的市場環境中的最佳結果。

代理系統的興起，特別是那些由大型語言模型（LLM）驅動的系統，引入了這個問題的一個新穎且以前未被探索的維度。隨着法學碩士越來越多地參與傳統上由人類導航的領域，包括金融系統和市場，理解他們的行爲傾向變得至關重要。諸如LLM代理是否表現出類似的問題行爲偏見，表現得更理性，或者成爲完全不同的偏見的受害者人類？