[논문 리뷰] EconAgent: Large Language Model-Empowered Agents for Simulating Macroeconomic Activities

Nian Li, Chen Gao외 3명|arXiv (Cornell University)|2023. 10. 16.

Stock Market Forecasting MethodsDecision Sciences인용 수 3

한 줄 요약

이 논문은 소비, 저축, 노동 결정을 인간처럼 적응 가능한 방식으로 더 현실적으로 재현할 수 있도록 대규모 언어 모델(Large Language Models, LLMs)을 활용한 에이전트가 인지, 반성, 의사결정 능력을 갖춘 새로운 프레임워크인 EconAgent을 소개한다. 이 방법은 규칙 기반 및 AI 에이전트보다 더 현실적인 소비, 저축, 노동 결정을 생성하여 인플레이션과 필립스 곡선과 같은 고전적 거시경제 현상을 효과적으로 재현한다.

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.

연구 동기 및 목표

• 과도하게 단순화된 규칙 기반 에이전트 행동에 의존하는 전통적 거시경제 시뮬레이션 모델의 한계를 해결하기 위해.
• 에이전트의 이질성, 거시경제 추세 영향, 다면적 의사결정 요인을 고려한 경제 시뮬레이션 모델링의 과제를 극복하기 위해.
• 대규모 언어 모델(LLMs)이 경제 환경에서 자율적이고 맥락 인식형이며 적응 가능한 에이전트 의사결정을 가능하게 하는 잠재력을 탐색하기 위해.
• 사전 정의된 규칙 없이 데이터 기반의 현실적인 경제 행동을 보이는 LLM 기반 에이전트를 구현한 시뮬레이션 프레임워크를 설계하기 위해.
• LLM 기반 에이전트가 고전적 거시경제 현상인 인플레이션과 필립스 곡선을 재현하고 이를 향상시킬 수 있음을 검증하기 위해.

제안 방법

• 노동, 소비, 금융 시장 등 실제 경제 구성 요소를 반영한 시뮬레이션 환경을 설계한다.
• 인지(맥락 입력 처리), 반성(거시경제 추세 기억), 의사결정(프롬프트 엔지니어링을 통한 행동 생성)이라는 세 가지 핵심 모듈을 갖춘 LLM 기반 에이전트를 구현한다.
• 실제 수입, 저축, 소비 이력 등 다양한 실생활 프로필을 부여하여 개인의 다양성을 반영한다.
• 고용률, 인플레이션 등 거시경제 추세를 메모리 모듈에 인코딩하여 에이전트 행동에 영향을 주도록 한다.
• 하드코딩된 규칙 없이도 현재 저축, 과거 소비, 금리, 상품 가격 등 다수의 경제 변수를 기반으로 LLM의 의사결정을 유도하기 위해 프롬프트 엔지니어링을 활용한다.
• 실제 데이터를 기반으로 에이전트 행동을 校정하고, 소비 및 노동 결정에 대한 경제 변수의 계수 분석을 통해 이성성 여부를 검증한다.

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

실험 결과

연구 질문

• RQ1 LLM 기반 에이전트는 시뮬레이션된 거시경제 환경에서 현실적인 소비 및 저축 행동을 재현할 수 있는가?
• RQ2 실업률 및 인플레이션과 같은 거시경제 추세는 LLM 기반 시뮬레이션에서 에이전트의 의사결정에 어떤 영향을 미치는가?
• RQ3 경제적 충격에 대해 LLM 에이전트가 상태유지 편향이나 위험 회피와 같은 인간처럼 행동하는 패턴을 어느 정도 보이는가?
• RQ4 금리, 상품 가격, 과거 소비와 같은 다면적 경제 요소가 포함될 경우, 에이전트 의사결정의 현실성은 어떻게 변화하는가?
• RQ5 LLM 기반 에이전트 프레임워크는 필립스 곡선과 인플레이션 역학과 같은 고전적 거시경제 현상을 재현하고 향상시킬 수 있는가?

주요 결과

• LLM 기반 에이전트는 이성적인 소비 행동을 보였으며, 저축과 소비 성향 간에 유의미한 음의 상관관계를 보여 상태유지 편향을 확인했다.
• 상품 가격의 계수는 소비 결정에 가장 큰 영향을 미쳤다 (eCDF > 0.05), 인플레이션 또는 deflation에 대한 높은 민감도를 나타냈다.
• 금리가 상승할 경우, 에이전트는 더 높은 소비 욕구를 보였으며, 이는 저축 수익률 상승에 대한 이성적인 반응으로 해석된다.
• 고실업 환경에서는 60%의 에이전트가 소비와 일자리 참여도를 모두 감소시켜, 비관적인 시장 기대와 deflationary 압력과 일치했다.
• 필립스 곡선은 실업률과 소비 성향 간 음의 상관관계로 나타났으며, 고실업 연도 대비 저실업 연도에서 통계적 유의성(p < 0.001)이 확인되었다.
• LLM이 생성한 에이전트 대화는 deflationary 노동시장 조건에서의 소비 감소에 대해 일관된 정당성을 제시했으며, 반성적이고 맥락 인식형 의사결정을 보여주었다.

Figure 2 : Annual variations of macroeconomic indicators.