When AI Meets Finance (StockAgent): Large Language Model-based Stock Trading in Simulated Real-world Environments

这篇文章探讨了人工智能代理是否能够模拟真实的交易环境，以研究外部因素（如宏观经济、政策变化、公司基本面和全球事件）对股票交易活动的影响。这些经常影响交易行为的因素是追求最大化投资者利润的关键因素。本文通过基于大型语言模型的代理来解决这个问题。我们开发了一个名为StockAgent的多代理人人工智能系统，由LLMs驱动，旨在模拟投资者对真实股票市场的交易行为。StockAgent允许用户评估不同外部因素对投资者交易的影响，并分析交易行为和盈利效果。此外，StockAgent避免了现有基于人工智能代理的交易模拟系统存在的测试集泄漏问题。具体而言，它防止模型利用其可能已获得的与测试数据相关的先前知识。我们在一个与真实世界条件密切相关的股票交易环境下评估了不同的LLM。实验结果展示了关键外部因素对股票市场交易的影响，包括交易行为和股价波动规则。本研究探讨了代理人在没有与市场数据相关的先前知识的情况下的自由交易间隙。通过StockAgent模拟发现的模式为基于LLM的投资建议和股票推荐提供了有价值的见解。代码可在https://github.com/MingyuJ666/Stockagent上获得。

使用大语言模型驱动的多代理人系统StockAgent，旨在模拟投资者在真实股票市场中对外部因素的交易行为，并分析交易行为和盈利效应。

通过大语言模型驱动的多代理人系统，模拟真实股票市场中的投资者交易行为，评估不同外部因素对投资者交易的影响，并分析交易行为和盈利效应。

论文避免了现有基于AI代理的交易模拟系统中存在的测试集泄漏问题，实验结果展示了关键外部因素对股票市场交易的影响，包括交易行为和股价波动规则。研究结果可为基于大语言模型的投资建议和股票推荐提供有价值的见解。代码开源。

最近的相关研究包括使用强化学习进行股票交易决策的研究《Deep Reinforcement Learning for Automated Stock Trading: An Ensemble Strategy》。