[論文レビュー] EconAgent: Large Language Model-Empowered Agents for Simulating Macroeconomic Activities

Nian Li, Chen Gao+3 more|arXiv (Cornell University)|Oct 16, 2023

Stock Market Forecasting MethodsDecision Sciences被引用数 3

ひとこと要約

本論文は、大規模言語モデル（LLM）を活用して、知覚、自己認識、意思決定能力を備えたLLM駆動のエージェントを通じて、マクロ経済活動をシミュレートする新規フレームワークEconAgentを提案する。この手法は、ルールベースのエージェントやAIエージェントを上回り、より現実的な消費、貯蓄、労働意思決定を生成し、人間らしい適応性を示しながら、インフレーションやフィリップス曲線といった古典的マクロ経済現象を効果的に再現する。

ABSTRACT

The advent of artificial intelligence has led to a growing emphasis on data-driven modeling in macroeconomics, with agent-based modeling (ABM) emerging as a prominent bottom-up simulation paradigm. In ABM, agents (e.g., households, firms) interact within a macroeconomic environment, collectively generating market dynamics. Existing agent modeling typically employs predetermined rules or learning-based neural networks for decision-making. However, customizing each agent presents significant challenges, complicating the modeling of agent heterogeneity. Additionally, the influence of multi-period market dynamics and multifaceted macroeconomic factors are often overlooked in decision-making processes. In this work, we introduce EconAgent, a large language model-empowered agent with human-like characteristics for macroeconomic simulation. We first construct a simulation environment that incorporates various market dynamics driven by agents' decisions regarding work and consumption. Through the perception module, we create heterogeneous agents with distinct decision-making mechanisms. Furthermore, we model the impact of macroeconomic trends using a memory module, which allows agents to reflect on past individual experiences and market dynamics. Simulation experiments show that EconAgent can make realistic decisions, leading to more reasonable macroeconomic phenomena compared to existing rule-based or learning-based agents. Our codes are released at https://github.com/tsinghua-fib-lab/ACL24-EconAgent.

研究の動機と目的

• 過度に単純化されたルールベースのエージェント行動に依存する伝統的なマクロ経済シミュレーションモデルの限界を解決すること。
• エージェントの多様性、マクロ経済トレンドの影響、経済シミュレーションにおける複雑な意思決定要因のモデリングにおける課題を克服すること。
• 大規模言語モデル（LLM）が経済環境における自律的で文脈に配慮した、かつ適応的なエージェント意思決定を可能にする可能性を探ること。
• 事前に定義されたルールなしに、データに裏付けられた現実的な経済行動を示すLLMエージェントを備えたシミュレーションフレームワークを設計すること。
• LLM駆動のエージェントが、インフレーションやフィリップス曲線といった古典的マクロ経済現象を再現・改善できることを検証すること。

提案手法

• 労働、消費、金融市場を含む、現実の経済要因を模倣したシミュレーション環境を設計する。
• 知覚（文脈的入力処理）、自己認識（マクロトレンドの記憶）、意思決定（プロンプト工学を用いた行動生成）の3つのコアモジュールを備えたLLM駆動エージェントを実装する。
• 収入、貯蓄、消費履歴などの実世界のプロファイルをエージェントに与え、個々の多様性を反映させる。
• マクロ経済トレンド（例：失業率、インフレーション）を記録するメモリモジュールを設け、エージェント行動に影響を与える。
• ハードコードされたルールなしに、現在の貯蓄、過去の消費、金利、商品価格といった複数の経済変数に基づいてLLMが意思決定を下すように、プロンプト工学を活用する。
• 実証データを用いてエージェント行動をキャリブレーションし、消費および労働意思決定における経済変数の係数分析を通じて合理性を検証する。

Figure 1 : The illustration of our simulation framework and large language model-based agents.

実験結果

リサーチクエスチョン

• RQ1 LLM駆動のエージェントは、シミュレートされたマクロ経済環境において現実的な消費および貯蓄行動を再現できるか？
• RQ2 失業率やインフレーションといったマクロ経済トレンドは、LLMベースのシミュレーションにおいてエージェントの意思決定にどのように影響を与えるか？
• RQ3 経済ショックに応じて、LLMエージェントは、現状維持バイアスやリスク回避といった人間らしい意思決定パターンをどの程度示すか？
• RQ4 金利、商品価格、過去の消費といった複数の経済要因を組み込むことで、エージェント意思決定の現実性はどのように向上するか？
• RQ5 LLMベースのエージェントフレームワークは、フィリップス曲線やインフレーションダイナミクスといった古典的マクロ経済現象を再現・改善できるか？

主な発見

• LLM駆動エージェントは合理的な消費行動を示し、貯蓄と消費への傾倒性の間に顕著な負の相関が確認され、現状維持バイアスが裏付けられた。
• 商品価格の係数が消費意思決定に最も大きな影響を与えており（eCDF > 0.05）、インフレーションまたはデフレーションに対する強い感受性を示している。
• 金利が上昇した際、エージェントは支出意欲を高め、貯蓄利回りの上昇に合理的に反応している。
• 高失業環境下では、60％のエージェントが消費と労働意欲の両方を減少させ、悲観的な市場期待とデフレ圧力と整合的であった。
• フィリップス曲線は、失業率と消費への傾倒性の間で負の相関関係として出現し、高失業年と低失業年の比較において統計的有意性（p < 0.001）が確認された。
• LLMが生成したエージェント間の会話から、デフレーション的労働市場状況下での支出削減の自己一貫性のある根拠が明らかになり、自己認識的かつ文脈に配慮した意思決定が示された。

Figure 2 : Annual variations of macroeconomic indicators.