[论文解读] 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 3

一句话总结

本文提出了EconAgent，一种新颖的框架，通过利用大型语言模型（LLMs）赋能的具备感知、反思与决策能力的智能体，模拟宏观经济活动。该方法在生成更真实的消费、储蓄与劳动决策方面优于基于规则和AI的智能体，能够以类人般的适应性有效重现通货膨胀与菲利普斯曲线等经典宏观经济现象。

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.

研究动机与目标

• 解决传统宏观模拟模型依赖过度简化的基于规则的智能体行为所带来的局限性。
• 克服在经济模拟中建模智能体异质性、宏观经济趋势影响以及多维度决策因素的挑战。
• 探索大型语言模型（LLMs）在实现经济环境中自主、上下文感知且自适应的智能体决策方面的潜力。
• 设计一种模拟框架，使LLM智能体能够展现真实、基于数据的经济行为，而无需预设规则。
• 验证LLM赋能的智能体能否重现并改进经典宏观经济现象，如菲利普斯曲线与通货膨胀动态。

提出的方法

• 设计一个模拟现实经济组成部分的仿真环境，包括劳动力、消费与金融市场。
• 实施具备三个核心模块的LLM赋能智能体：感知（上下文输入处理）、反思（对宏观经济趋势的记忆）与决策（通过提示工程生成行动）。
• 赋予智能体异质性的现实世界特征（如收入、储蓄、消费历史），以反映个体差异。
• 使用记忆模块编码宏观经济趋势（如失业率、通货膨胀率），并据此影响智能体行为。
• 采用提示工程引导LLM基于多个经济变量（如当前储蓄、过往消费、利率与商品价格）做出决策，而无需硬编码规则。
• 通过实证数据校准智能体行为，并利用经济变量对消费与工作决策的影响系数分析来验证其合理性。

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

实验结果

研究问题

• RQ1 LLM赋能的智能体能否在模拟的宏观经济环境中重现真实的消费与储蓄行为？
• RQ2 失业与通货膨胀等宏观经济趋势如何影响LLM模拟中的智能体决策？
• RQ3 LLM智能体在面对经济冲击时，其表现出类人决策模式（如现状偏见或风险规避）的程度如何？
• RQ4 纳入多维度经济因素（如利率、商品价格、过往消费）对智能体决策的现实感有何影响？
• RQ5 LLM驱动的智能体框架能否重现并改进经典宏观经济现象，如菲利普斯曲线与通货膨胀动态？

主要发现

• LLM赋能的智能体展现出理性的消费行为，储蓄与消费倾向之间存在显著负相关性，证实了现状偏见的存在。
• 商品价格的系数对消费决策的影响最大（eCDF > 0.05），表明对通货膨胀或通货紧缩具有高度敏感性。
• 当利率上升时，智能体表现出更高的消费意愿，反映出对储蓄回报提高的理性响应。
• 在高失业环境中，60%的智能体同时降低了消费与工作意愿，与悲观的市场预期及通缩压力一致。
• 菲利普斯曲线显现为失业率与消费倾向之间存在负相关性，且在高失业年份与低失业年份的对比中具有统计显著性（p < 0.001）。
• LLM生成的智能体对话揭示了在通缩性劳动力市场条件下减少支出的自洽理由，展示了反思性与上下文感知的决策能力。

Figure 2 : Annual variations of macroeconomic indicators.