Technische Samenvatting: StockAgent – Op Large Language Models gebaseerde aandelenhandel in gesimuleerde real-world omgevingen

1. Probleemstelling

De aandelenmarkt opereert binnen een complex, volatiel ecosysteem dat wordt beïnvloed door een veelvoud aan factoren, waaronder macro-economie, beleidswijzigingen, fundamentele bedrijfsgegevens en wereldwijde gebeurtenissen. Traditionele methoden voor het analyseren van handelsstrategieën, zoals backtesting met historische data (bijv. Zipline, Backtrader), lijden vaak aan een statisch karakter en retrospectieve bias, wat vaak leidt tot overfitting en het falen om de real-time markteffectiviteit of collectief sentiment te reflecteren. Hoewel machine learning en reinforcement learning (bijv. Trading Gym) zijn toegepast, missen deze vaak het vermogen om de genuanceerde, irrationele en psychologische gedragingen van menselijke beleggers te simuleren.

Bovendien worden bestaande AI-gebaseerde handelssimulaties geconfronteerd met een cruciale uitdaging: testset-lekken (test set leakage). Modellen maken vaak gebruik van voorkennis die tijdens de training is verworven met betrekking tot specifieke marktgegevens, wat de validiteit van simulaties in scenario's met "geen voorafgaande kennis" ondermijnt. Er is behoefte aan een framework dat de gedragingen van beleggers kan simuleren als reactie op dynamische externe factoren zonder te vertrouwen op het memoriseren van historische data, waardoor onderzoekers kunnen onderzoeken hoe externe omstandigheden (bijv. rentestanden, financiële rapporten, sociale sentimenten) de handelsbeslissingen en winstgevendheid beïnvloeden.

2. Methodologie: Het StockAgent Framework

De auteurs stellen StockAgent voor, een Multi-Agent Systeem (MAS) aangedreven door Large Language Models (LLM's), ontworpen om real-world aandelenhandelsomgevingen te simuleren. Het systeem is event-gestuurd en gestructureerd om conflicten tussen acties van agents te voorkomen terwijl de beschikbaarheid van berichten gewaarborgd blijft.

2.1 Systeemarchitectuur

StockAgent bestaat uit drie primaire modules:

1. Investment Agent Module:
   • Agents worden geïnitialiseerd met willekeurig kapitaal, schulden en een van vier persoonlijkheden: Conservatief, Agressief, Gebalanceerd en Groei-georiënteerd.
   • Agents nemen beslissingen over leningen, handel (kopen/verkopen/vasthouden/long/short), voorspellingen en het delen van tips.
   • Een "secretaris"-mechanisme corrigeert ongeldige reacties (bijv. uitgeven boven het beschikbare cashgeld) om de realiteitszin te behouden.
2. Transaction Module:
   • Beheert een orderboek met behulp van een dictionary datastructuur.
   • Om deadlocks bij gelijktijdige transacties te voorkomen, maakt het systeem gebruik van een Random Clock Page Replacement Algorithm. Agents krijgen willekeurige ID's en beslissingssequenties toegewezen, waardoor ze niet gelijktijdig strijden om middelen.
3. Bulletin Board System (BBS) Module:
   • Simuleert sociale dynamiek door agents toe te staan om aan het einde van elke dag anoniem handelsadvies te plaatsen. Deze berichten zijn de volgende dag zichtbaar voor alle agents, wat de invloed van marktsentiment en de meningen van peers nabootst.

2.2 Simulatieontwerp

• Omgeving: De simulatie repliceert handelsessies en mechanismen van de NASDAQ en de Hong Kong Stock Exchange.
• Activa: Twee geanonimiseerde aandelen (Aandeel A en Aandeel B) worden gebruikt. Aandeel A is een circulatieaandeel, terwijl Aandeel B een nieuw uitgegeven IPO is. Initiële instellingen zijn afgeleid van echte financiële rapporten (balansen, winst-en-verliesrekeningen, kasstroomoverzichten) met behulp van FCFF (Free Cash Flow to Firm) waardering en CAPM (Capital Asset Pricing Model) om de ideale aandelenkoersen te bepalen.
• Procesflow:
  1. Pre-Trading: Rentebetaling, terugbetaling van leningen, controle op faillissement en speciale event-triggers (bijv. wijzigingen in de reserve ratio, renteverhogingen).
  2. Handelsessies: Agents beslissen om te kopen, verkopen of vasthouden op basis van marktdata en BBS-inputs. Prijzen worden aan het einde van de sessie bijgewerkt op basis van de laatste transactieprijs.
  3. Post-Trading: Agents schatten toekomstige acties in en delen handelsadvies op de BBS.
• Externe Factoren: De simulatie incorporeert specifieke externe gebeurtenissen (bijv. monetaire verruiming, renteverhogingen, kwartaalcijfers) om de responsiviteit van agents te testen.

2.3 Backbone Modellen

De studie maakt gebruik van twee state-of-the-art LLM's als de cognitieve motoren van de agents:

• GPT-3.5-Turbo (gpt-3.5-turbo-0125)
• Gemini-Pro (Gemini-pro-1.0)

Het framework streeft er expliciet naar om de invloed van de voorkennis van de modellen met betrekking tot specifieke testdata te minimaliseren, waarbij de focus ligt op hun vermogen om te redeneren op basis van de verstrekte context.

3. Belangrijkste Bijdragen

1. Nieuw Simulatieframework: Ontwikkeling van StockAgent, een LLM-gestuurd MAS dat de handelsgedragingen van beleggers simuleert in reactie op real-world marktomstandigheden zonder te vertrouwen op het memoriseren van historische data.
2. Aanpak van Testset-lekken: Het systeem is ontworpen om te voorkomen dat modellen gebruikmaken van voorkennis van testdata, waardoor de studie van "free trading gaps" mogelijk is in contexten waar agents geen voorafgaande blootstelling aan marktdata hebben.
3. Multi-factor Analyse: Het framework maakt het mogelijk om de evaluatie van hoe verschillende externe factoren (macro-economische indicatoren, beleidswijzigingen, BBS-sentiment) de handelsgedragingen en winstgevendheid beïnvloeden.
4. Vergelijkende LLM-analyse: De studie biedt een systematische vergelijking van hoe verschillende LLM-backbones (GPT vs. Gemini) handelsstrategieën aansturen, waarbij inherente biases en gedragstendenzen aan het licht komen.

4. Experimentele Resultaten

De auteurs voerden experimenten uit over 10 handelsdagen (en breidden dit uit naar 154 dagen voor RQ3) met 200 AI-agents om drie onderzoeksvragen (RQs) te beantwoorden.

4.1 Effectiviteit van de Simulatie (RQ1)

• Divergerende Handelsneigingen: GPT en Gemini vertoonden duidelijke handelspatronen. Door GPT aangestuurde agents toonden een optimistische houding, gaven de voorkeur aan long-posities, met name op Aandeel A, en voerden minder maar volumereuzere transacties uit. Door Gemini aangestuurde agents waren pessimistischer, gaven de voorkeur aan short-posities en hanteerden een hogere frequentie van transacties met een lager volume.
• Gedragsclustering: T-SNE visualisatie en clusteringanalyse toonden aan dat Gemini-agents een meer homogene, kudde-achtige gedrag vertoonden. In contrast vertoonden GPT-agents een grotere spreiding, wat wijst op meer subjectieve besluitvorming en minder afhankelijkheid van kuddegedrag.

4.2 Betrouwbaarheid van LLM's (RQ2)

• Verschillen in Executie: Hoewel beide modellen de relatieve uitmuntendheid van Aandeel A ten opzichte van Aandeel B identificeerden, verschilden hun executiestrategieën aanzienlijk. GPT-agents adopteerden agressieve strategieën met hogere volatiliteit en potentiële winsten (en risico's), terwijl Gemini-agents conservatievere, stabiele strategieën handhaafden met lagere prijsranges.
• Inherente Bias: De resultaten geven aan dat de keuze van de LLM-backbone de handelsresultaten significant beïnvloedt, wat suggereert dat de inherente tendensen en voorkennis van de LLM de betrouwbaarheid van handelsadviezen beïnvloeden.

4.3 Gesimuleerde Handel onder Externe Omstandigheden (RQ3)

• Gevoeligheid voor Rentestanden: Het verwijderen van informatie over de benchmarkrente bevorderde de handelsactiviteit voor Aandeel A aanzienlijk, omdat agents optimistischer werden over de leningkosten.
• Impact van BBS: De afwezigheid van BBS-communicatie leidde tot een conservatiever gedrag en een daling van de prijs van Aandeel B onder de ideale waardering.
• Impact van Financiële Data: Het verwijderen van kwartaalcijfers en renteveranderingen zorgde er verrassend genoeg voor dat sommige agents verschoven van verliezen naar winsten, wat suggereert dat excessieve of specifieke financiële data soms suboptimale besluitvorming kunnen induceren bij gebrek aan andere context.
• Marktvariantie: Wanneer alle financiële informatieondersteuning werd ingetrokken, werd de kloof tussen de winsten en verliezen van de agents groter, wat wijst op een geïntensiveerde marktcompetitie en een hogere variantie in de uitkomsten.

5. Betekenis en Claims

Het artikel claimt dat StockAgent een waardevol instrument biedt voor het onderzoeken van de impact van externe factoren op aandelenhandelsactiviteiten in een gecontroleerde, gesimuleerde omgeving. Door testset-lekken te vermijden, maakt het framework de studie van agentgedrag in "geen voorafgaande kennis"-scenario's mogelijk, waarmee de kloof tussen traditionele data-analyse en de dynamische aard van menselijk sentiment wordt overbrugd.

De bevindingen suggereren dat:

• Keuze van LLM ertoe doet: Verschillende LLM's introduceren verschillende biases en strategische voorkeuren, wat simulatie-resultaten en beleggingsadvies kan kleuren.
• Externe Factoren Gedrag Drijven: Agents zijn zeer gevoelig voor specifieke externe inputs (bijv. rentestanden, sociaal sentiment), en het verwijderen van deze factoren kan de marktdynamiek en winstgevendheid drastisch veranderen.
• Toekomstige Richtingen: De auteurs stellen dat dit framework kan worden aangepast om meer dynamische informatie te incorporeren, modules voor sentimentanalyse te verbeteren en te dienen als platform voor het testen van diverse handelsstrategieën en risicobeheertechnieken. Zij benadrukken de noodzaak van verder onderzoek naar de betrouwbaarheid van LLM-gebaseerde handelsstrategieën gezien de inherente biases van de onderliggende modellen.

De code voor StockAgent is beschikbaar gesteld om verder onderzoek in dit domein te faciliteren.