[論文レビュー] When AI Meets Finance (StockAgent): Large Language Model-based Stock Trading in Simulated Real-world Environments

Chong Zhang, Xinyi Liu+11 more|arXiv (Cornell University)|Jul 15, 2024

Stock Market Forecasting MethodsDecision Sciences被引用数 3

ひとこと要約

本稿では、外部要因（マクロ経済要因、政策変更、市場イベントなど）がAI駆動の取引行動に与える影響を研究するために、現実の株式市場環境をシミュレートする多エージェントLLMベースのフレームワーク、StockAgentを紹介する。テストデータ漏洩を防ぎ、LLMを用いて多様な投資家戦略をモデル化することで、GPTとGeminiエージェントの間で顕著な行動パターンの違い（群衆行動の低減、戦略多様性の増加）が明らかになり、LLMベースの投資の信頼性とパーソナライゼーションに関する知見が得られた。

ABSTRACT

Can AI Agents simulate real-world trading environments to investigate the impact of external factors on stock trading activities (e.g., macroeconomics, policy changes, company fundamentals, and global events)? These factors, which frequently influence trading behaviors, are critical elements in the quest for maximizing investors' profits. Our work attempts to solve this problem through large language model based agents. We have developed a multi-agent AI system called StockAgent, driven by LLMs, designed to simulate investors' trading behaviors in response to the real stock market. The StockAgent allows users to evaluate the impact of different external factors on investor trading and to analyze trading behavior and profitability effects. Additionally, StockAgent avoids the test set leakage issue present in existing trading simulation systems based on AI Agents. Specifically, it prevents the model from leveraging prior knowledge it may have acquired related to the test data. We evaluate different LLMs under the framework of StockAgent in a stock trading environment that closely resembles real-world conditions. The experimental results demonstrate the impact of key external factors on stock market trading, including trading behavior and stock price fluctuation rules. This research explores the study of agents' free trading gaps in the context of no prior knowledge related to market data. The patterns identified through StockAgent simulations provide valuable insights for LLM-based investment advice and stock recommendation. The code is available at https://github.com/MingyuJ666/Stockagent.

研究の動機と目的

• 歴史的データの漏洩に依存せずに、現実の株式取引ダイナミクスをモデル化するシミュレーションフレームワークの開発。
• 経済指標、政策変更、企業報告書などの外部要因が、AIエージェントの取引行動と収益性に与える影響の調査。
• GPTとGeminiなどの異なるLLM（大規模言語モデル）の間で、制御されたイベント駆動市場環境における取引戦略と意思決定傾向の違いを評価すること。
• 投資戦略、感情動態、リスク露出のテストに適した解釈可能でカスタマイズ可能なエージェントベースの実験を可能にする。
• LLMベースの株式推薦や定量的取引システムの信頼性とバイアスプロファイルを評価する基盤を提供すること。

提案手法

• 各エージェントが大規模言語モデル（LLM）によって駆動される多エージェントAIシステムを設計し、個々の投資家を模倣する、異なる意思決定スタイルを持つエージェントを実装する。
• ニュースイベント、決算発表、金利変更、貸付メカニズムを含む、現実の市場状況をモデル化するイベント駆動型シミュレーションエンジンを実装する。
• LLMが将来の市場データにアクセスまたは記憶しないよう、テストデータの隔離メカニズムを導入し、テストセット漏洩を完全に排除する。
• 文脈的な市場情報、外部イベント、エージェント固有の役割（例：成長株投資家対バリュー投資家）に基づいて、LLMを用いて取引意思決定を生成する。
• カスタマイズ可能なプロンプトと役割定義を統合し、エージェント行動を制御し、異なる投資スタイルやリスク志向を模倣する。
• 共有情報チャネル（例：感情共有用BBS）を通じたエージェント間の動的相互作用を可能にするとともに、特定の機能を一時的に無効化することで行動への影響を分析できるようにする。

Figure 2. The workflow of trading simulation.

実験結果

リサーチクエスチョン

• RQ1 マクロ経済的シフト、政策変更、企業の基本的財務指標などの外部要因が、シミュレートされた市場におけるLLMベースのAIエージェントの取引行動と収益性にどのように影響を与えるか？
• RQ2 GPTとGeminiなどの異なるLLMに内在するバイアスや推論パターンが、どのように異なる取引戦略とパフォーマンス結果を形成するか？
• RQ3 テストデータに関する事前の知識が欠落している状況下で、群衆行動やトレンドフォローやいったんのシステム的取引行動が、LLM駆動エージェントにどのように現れるか？
• RQ4 BBSやローン機能などの特定の情報チャネルを無効化した場合、エージェントのリスク許容度、利益の分散、市場競争にどのような影響を与えるか？
• RQ5 歴史的データに依存せずに、LLMベースのエージェントはパーソナライズされた投資スタイルや多様な戦略を模倣できるか。その結果、シミュレーションの現実性にどのような影響を与えるか？

主な発見

• GPT駆動エージェントは、Geminiエージェントと比較して、より独立的かつ多様な取引行動を示し、群衆行動やトレンドフォローの傾向が低減した。
• 第1ラウンド以外のローン機能やBBS情報共有を無効化したことで、エージェント全体の取引行動がより慎重になった。これは、情報とレバレッジメカニズムがリスク露出に与える影響を示している。
• 利益報告書や金利変更イベントを削除したことで、一部のエージェントが損失から利益に転換した。これは、基本的財務データがエージェントパフォーマンスに果たす重要な役割を示している。
• いかなる財務情報へのアクセスも制限したことで、エージェント間の利益・損失の分散が拡大し、市場競争が高まり、予測可能性が低下した。
• 同じ外部環境にさらされても、LLMエージェントは固有の取引傾向を保持していた。これは、文脈に応じた1ステップ意思決定であっても、モデル固有のバイアスが継続することを示している。
• シミュレーションにより、LLMベースのエージェントがパーソナライズされた投資スタイルを内包できることを明らかにした。これは、異種の投資家行動のモデル化や戦略の耐性テストに活用できる可能性を示している。

Figure 3. The demonstration of stock market investment. In our simulation, agents make investment decisions based on multiple external sources of information.