投资领域的层级组织仿真
使用自然语言隐式指令作为复杂动作的表达和组合,而不是直接选择微操作,本文基于76,000个自然语言指令和操作的数据集在实时策略游戏环境中训练模型,结果表明使用自然语言作为潜变量的模型在动作表达中的有效性显著优于直接模仿人类动作的模型,并且语言的组合结构对其有效性具有关键作用。同时提供了代码、模型和数据。
Jun, 2019
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
通过使用语言模型,该研究旨在自动化信息摘要和投资理念生成,以评估Fine-tuning方法在Llama2基础模型上实现特定应用层面目标的有效性,并通过采用最先进的生成建模技术开发AI代理原型,解放人类投资者,使他们能够集中于高层级战略思考。
Dec, 2023
使用LLMs作为决策“代理人”引起了越来越多的兴趣,但评估这种代理人的经济合理性仍然是一个关键问题。本文通过调查经济理论、提出基准分布和进行大规模实证实验,对LLMs的表现进行定量评估,揭示了当前技术水平以及模型大小对模型表现的影响。
Feb, 2024
本文探讨了基于多代理系统理论(SMA)与大型语言模型(LLM)的计算实体的动态影响,这些实体的特点是能够模拟复杂的人类互动,作为一种从使用专门的人工代理支持运营业务流程到基于应用知识和人类编排的战略决策的革命可能性。我们展示了利用基于大型语言模型(LLM)的代理开发,通过考虑行为元素并由策略驱动,从而刺激基于使用案例在商业场景中生成知识的能力,利用代理之间的讨论方法(引导式对话),为组织战略提供潜力,基于多代理系统理论(SMA)和创新的大型语言模型(LLM)的应用,为不同的应用、复杂性、领域和LLM的能力提供了一种不同和可适应的实验。
Mar, 2024
该研究提供了一个评估语言模型在商业决策中的财务影响的框架,重点关注投资和收益方面的利益。研究发现,更昂贵的模型的更高准确性在一定条件下可以通过更显著的收益来证明更大的投资,但不一定有更大的回报率。此外,文章还讨论了操作变量的变化如何影响使用语言模型的经济效益,为企业提供了实用的洞见,发现预测收益和损失以及不同的成功和失败概率是影响模型敏感性最大的变量。
May, 2024
提出了基于代理的模拟金融市场(ASFM)的大型语言模型代理作为股票交易员,可以全面了解当前市场动态和金融政策信息,并制定与其交易策略相一致的决策,该模型在实验中与真实股市一致,并且与经济学研究初步发现相符合,为经济研究提供了新的范式。
Jun, 2024
FinCon是基于大型语言模型(LLMs)的多代理框架,具有针对不同的金融任务的概念性口头强化,能够在复杂的金融决策中合理地综合多样化的信息并优化结果的同时通过及时的经验完善来提高决策质量。
Jul, 2024
本研究解决了金融市场中社交媒体影响与投资者行为之间交集产生的泡沫形成问题。提出了一种基于代理的模型,通过一个树状层次结构模拟市场行为,发现其能够有效反映真实金融市场的特征,并能够真实模拟社交媒体现象对市场的影响,如回声室和泵提-倾倒方案。
Sep, 2024
本研究探讨了大型语言模型(LLMs)在市场实验中的潜力,以理解其对竞争市场动态的理解能力。研究发现,当前LLMs在复制人类交易行为的动态决策过程中面临挑战,无法实现市场均衡,凸显了其在捕捉复杂市场行为方面的局限性。此研究为市场模拟提供了有价值的工具,但未来需加强其动态学习能力以提高在经济领域的有效性。
Sep, 2024