在宏观经济仿真中，利用大型语言模型（LLMs）的人类化特性可以克服传统限制，能够设计出表现出人类决策和适应能力的 LLM 代理，进行模拟实验以展示其逼真的工作和消费决策能力，并产生比现有规则化或人工智能代理更合理的宏观经济现象。

Oct, 2023

使用大型语言模型（LLMs）而无需微调，在金融情感分析（FSA）中设计了一个基于异构 LLM 代理的设计框架，该框架在涉及大量讨论时能够获得更高的准确性，为 LLMs 的基于 FSA 的设计奠定了基础并开辟了新的途径。

Jan, 2024

本文首先以强化学习为基础，设计一个模型来模拟多人市场模拟中的交易代理。然后，将人类的次理性分为两种类型：心理偏见和计算能力问题，探讨了人类次理性对交易市场不同方面的影响。作者认为本研究将有助于进一步了解人类交易行为和行为金融学领域的发展。

Oct, 2022

我们研究了一种基于强化学习代理的代理市场模拟框架，并展示了该框架在模拟市场的实现细节和真实市场观察到的特征。我们还研究了强化学习代理在面临外部市场影响（如闪崩）时的行为，并对其在重要市场事件中的响应提供了深入洞察。

Mar, 2024

通过将大型语言模型（LLMs）如 GPT 集成到智能智能体建模（SABM）中，我们在这篇综述性研究中阐明了 ABM 的现状，介绍了 SABM 的潜力和方法，并提出了三个案例研究，验证了其在模拟现实系统中的有效性，同时展望了 SABM 未来应用的广阔前景，旨在重新定义计算机仿真的边界，实现对复杂系统的更深入理解。

Nov, 2023

提出了一种度量市场差异的指标，并通过优化该指标引入了基于算法交易的市场模拟（ATMS），通过强化学习中的随机策略建模来考虑交易的时序特性，通过实验证明了该指标的有效性，并展示了 ATMS 相比基于条件 Wasserstein 生成对抗网络（cWGAN）的方法生成更接近真实数据的市场数据，同时产生更平衡的买卖交易量，减少了买卖交易不均衡的偏差。

Sep, 2023

使用多智能体增强学习 (RL) 拓展有限理性模拟模型以考察其对经济的影响，研究发现多智能体根据市场竞争和理性程度 spontaneously 学习出不同策略，增加市场力量和整体利润，但更高程度的理性也可能导致更大不稳定性，并提出了可以稳定学习的经济模拟模型。

May, 2024

通过多智能体模拟方法探索复杂适应性金融交易环境是量化金融领域中创新的方法。我们设计了一种基于小规模元启发式方法的多智能体模拟方法，旨在代表澳大利亚政府债券交易的不透明双边市场，捕捉银行之间的双边交易特性，也称为 “场外交易”，通常发生在 “做市商” 之间。我们探讨市场刚性对市场结构的影响，并考虑市场设计中的稳定性因素，这扩展了对复杂金融交易环境的讨论，提供了对其动态和影响的更深入的理解。

May, 2024

综述了利用大型语言模型进行基于代理的建模和仿真的现状、挑战和未来发展方向，并提供了大型语言模型 - 基于代理的建模和仿真在实际环境和虚拟环境中的最新研究成果。

Dec, 2023

大型语言模型可以在复杂环境中模拟人类行为，在竞争环境中展示了高级推理技能，需要评估环境来探测战略推理、竞争动态场景中的长期规划，介绍了 AucArena 作为一个评估 LLMs 的新型模拟环境，在竞拍中证明了通过简单的提示，LLMs 确实展示了参与竞拍所需的许多技能，还发现对 LLM 代理进行自适应和观察过去竞拍策略的明确鼓励，可以提高这些技能的准确性，这些结果表明使用 LLM 代理模拟复杂社交动态的潜力，尤其在竞争环境中，但我们也观察到个体 LLMs 的能力存在相当大的变异性，值得注意的是，即使是最先进的模型（GPT-4）有时也会被启发式基准线和人类代理超越，这突显了 LLM 代理设计中进一步提高和我们的模拟环境在测试和改进代理体系结构中的重要作用。

Oct, 2023