📈 economics

Dissecting AI Trading: Behavioral Finance and Market Bubbles

Dit onderzoek toont aan dat autonome AI-agenten in experimentele markten klassieke gedragspatronen vertonen die leiden tot bubbels, en dat gerichte prompt-interventies deze mechanismen causaal kunnen beïnvloeden.

Oorspronkelijke auteurs: Shumiao Ouyang, Pengfei Sui

Gepubliceerd 2026-04-21

📖 5 min leestijd🧠 Diepgaand

CC BY 4.0

Oorspronkelijke auteurs: Shumiao Ouyang, Pengfei Sui

Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer

De AI-Handelaar: Waarom Kunstmatige Intelligentie Net Zo Dwaas Is Als Mensen (En Hoe We Dat Kunnen Fixen)

Stel je een grote, digitale beurszaal voor. Maar in plaats van mensen in pakjes die schreeuwen en gebaren, zitten hier AI-agenten. Het zijn slimme computerprogramma's (gemaakt door grote taalmodellen zoals ChatGPT) die handelen in aandelen.

De onderzoekers van dit paper hebben een experiment gedaan: ze hebben deze AI-agenten in een virtuele beurs gezet om te kijken of ze zich gedragen als slimme robots of als... nou ja, als mensen. En het antwoord is verrassend: ze gedragen zich precies als mensen, inclusief al hun irrationele fouten.

Hier is de uitleg, vertaald naar alledaags taalgebruik met een paar leuke vergelijkingen.

1. De "Menselijke" Fouten van de Robots

De onderzoekers ontdekten dat de AI-agenten twee grote menselijke fouten maken:

De "Verkoop de Winnaars, Houd de Verliezers"-Fout (Disposition Effect):
- Het menselijke gedrag: Stel, je koopt een aandeel voor €100. Het gaat naar €120. Je bent blij en verkoopt het snel om je winst te pakken. Maar als het zakt naar €80, denk je: "Nee, ik verkoop niet, dan is het verlies echt!" en houd je het vast in de hoop dat het terugkomt.
- De AI: De robots deden precies hetzelfde! Zelfs als ze wisten dat de "ware waarde" van het aandeel altijd €14 was, verkochten ze winnende aandelen te vroeg en hielden ze verliezende aandelen te lang vast. Ze waren geobsedeerd door hun inkoopprijs, net als een mens die vastzit aan een oude herinnering.
De "Gisteren was het mooi, dus morgen ook"-Fout (Extrapolatie):
- Het menselijke gedrag: Als de beurs de laatste drie dagen gestegen is, denken mensen: "Wow, dit gaat eeuwig zo blijven!" Ze vergeten dat de aarde rond is en dat dingen vaak weer zakken.
- De AI: De robots keken ook alleen naar het recente verleden. Als de prijs net iets omhoog ging, dachten ze: "Het gaat naar de maan!" Ze negeerden de feiten (dat het aandeel eigenlijk maar €14 waard was) en droomden van een eeuwige stijging.

2. Waarom zijn de robots dan zo snel?

Bij mensen is er vaak een kloof tussen wat we denken en wat we doen.

Voorbeeld: Een mens denkt: "Ik moet dit aandeel verkopen!" Maar dan is het te lui om in te loggen, of hij twijfelt, of de transactiekosten zijn te hoog. Dus doet hij niets.
De AI: De robots hebben geen luiheid, geen twijfel en geen transactiekosten. Als ze denken "Het gaat stijgen", klikken ze direct op "Kopen".
De vergelijking: Mensen zijn als een auto met een slechte koppeling: je draait aan het stuur, maar de auto reageert traag. De AI is een Formule 1-auto: je draait aan het stuur en de auto schiet direct weg. Hun gedachten worden direct omgezet in daden.

3. De "Bubbel" Ontstaat

Wat gebeurt er als je 20 van deze robots samen in een kamer zet?
Omdat ze allemaal denken dat de prijs blijft stijgen (omdat hij gisteren steeg), kopen ze allemaal tegelijkertijd. De prijs schiet omhoog, ver boven de echte waarde.

De bubbel: De prijs van het aandeel wordt €50, terwijl het maar €14 waard is.
De paniek: Uiteindelijk zakken de prijzen weer in, net als bij een menselijke beurscrash. De robots creëren dus hun eigen storm, net als mensen dat doen.

4. Het Magische Knopje: De "Prompt"

Dit is het coolste deel van het onderzoek. Omdat het AI-agenten zijn, kunnen we hen opdrachten geven (via "prompts") om hun gedrag te veranderen. Het is alsof je een robot een nieuwe "brein-standaard" geeft.

De onderzoekers deden twee dingen:

De "Gierige" Knop: Ze gaven de robots een opdracht die hen aanmoedigde om te speculeren en te zeggen: "Koop, koop, koop! De prijs gaat alleen maar omhoog!"
- Resultaat: De bubbel werd enorm. De prijs schoot de lucht in.
De "Nuchtere" Knop: Ze gaven de robots een opdracht die hen aanmoedigde om rustig te blijven en te kijken naar de echte waarde: "Kijk naar de feiten. Het aandeel is €14. Koop niet als het €50 is."
- Resultaat: De bubbel verdwijnt. De prijs bleef stabiel rond de echte waarde.

De Grote Les voor de Wereld

Vroeger dachten we dat AI de perfecte, koude rekenmachine zou zijn die de beurs rationeel maakt. Dit paper laat zien dat AI, omdat het is getraind op menselijke teksten, ook onze menselijke dwaasheid overneemt.

Maar er is goed nieuws: AI is programmeerbaar.
Bij mensen is het heel moeilijk om iemand te vertellen: "Stop met paniekverkopen!" Mensen zijn emotioneel en moeilijk te veranderen. Maar bij AI kunnen we simpelweg de "instructies" aanpassen.

De conclusie:
Om de financiële wereld veilig te houden in een tijdperk waarin AI steeds meer handelaars, moeten toezichthouders niet alleen kijken naar regels voor geld, maar ook naar regels voor de gedachten van de AI. We kunnen "cognitieve veiligheidsriemen" inbouwen in de software die de AI gebruikt, zodat ze niet in paniek raken en geen bellen laten ontstaan.

Kortom: Als we de AI goed "opvoeden" met de juiste instructies, kunnen we voorkomen dat ze de beurs in de war schoppen.

1. Probleemstelling en Context

Kunstmenselijke intelligentie (AI), en specifiek Large Language Models (LLM's), spelen een steeds grotere rol in financiële markten voor prijsvorming, portefeuilleallocatie en algoritmische handel. Een kritische vraag voor de financiële stabiliteit is hoe deze autonome agenten verwachtingen vormen, hoe hun individuele gedrag zich opstapelt tot marktdynamiek, en of dit gedrag beheersbaar is.

De auteurs stellen dat LLM's, getraind op enorme hoeveelheden menselijk gegenereerde data (waaronder financiële verhalen en beleggerssentiment), menselijke cognitieve patronen hebben geïnternaliseerd. Het doel van het onderzoek is om te onderzoeken of AI-agenten in een gecontroleerde omgeving dezelfde gedragsfouten vertonen als menselijke beleggers, en of deze fouten leiden tot marktbubbels die vergelijkbaar zijn met die in menselijke experimenten.

2. Methodologie

De auteurs hebben een geavanceerd experimenteel ontwerp ontwikkeld dat de klassieke "open-call auction" van Smith et al. (1988) nabootst, maar volledig bevolkt is door autonome AI-agenten.

Experimentele Omgeving:
- Een multi-period markt met een risicovrije activa (cash) en een risicovolle activa (aandeel).
- Het aandeel heeft een vaste fundamentele waarde (FV) van 14 eenheden, berekend als de contante waarde van toekomstige dividenden (verwacht dividend 0,7 / rentevoet 5%).
- De markt loopt over 20 handelsperioden, gevolgd door een vaste afkoopwaarde om de fundamentele waarde constant te houden.
Agent Architectuur:
- Er zijn 14 verschillende state-of-the-art LLM's gebruikt (o.a. GPT-4o, DeepSeek, Llama, Qwen).
- Single-Model Markets: Markten met 20 agenten van hetzelfde model.
- Mixed-Model Markets: Markten met agenten van twee verschillende modellen om heterogeniteit te testen.
- Agenten krijgen een startportefeuille en moeten hun beslissingen baseren op historische prijzen, hun eigen portefeuille en marktinformatie.
Beslissingsproces en Data:
- Agenten gebruiken een Chain-of-Thought (CoT) architectuur. Voor elke handelsronde moeten ze twee tekstbestanden bijwerken: PLANS.txt (strategie) en INSIGHTS.txt (reflectie).
- Ze moeten prijsvoorspellingen doen voor verschillende horizons ( $t, t+2, t+5, t+10$ ) met een financiële prikkel voor nauwkeurigheid.
- De markt wordt geschoond via een call-auction algoritme dat het handelsvolume maximaliseert.
Analyse:
- De studie combineert kwantitatieve handelsdata met kwalitatieve analyse van de gegenereerde tekst (redenering) van de agenten.
- Een "LLM-as-a-judge" methode wordt gebruikt om de tekst van de agenten te coderen op 20 specifieke gedragsmechanismen (bijv. momentum-chasing, disposition effect).

3. Belangrijkste Resultaten

A. Micro-niveau: Gedragspatronen van AI

De AI-agenten vertonen opvallend sterke menselijke gedragsfouten:

Disposition Effect: Agenten verkopen winnende posities te vroeg en houden verliezende posities te lang vast. Dit gebeurt ondanks dat de fundamentele waarde constant is en de aankoopprijs een "sunk cost" zou moeten zijn.
Extrapolatieve Verwachtingen: Agenten vormen verwachtingen over toekomstige prijzen die disproportioneel gebaseerd zijn op recente rendementen (recency bias). Ze negeren de mean-reversion naar de fundamentele waarde.
Sterke Koppeling Verwachting-Actie: In tegenstelling tot menselijke beleggers (waar een zwakke link bestaat tussen verwachtingen en portefeuillekeuzes door fricties), vertonen AI-agenten een zeer strakke koppeling. Hun uitgesproken verwachtingen vertalen zich direct en frictioneloos in handelsorders.

B. Macro-niveau: Evenwichtsdynamiek

Deze individuele heuristieken aggregeren tot marktdynamiek die menselijke experimenten perfect nabootst:

Bubbels en Crashes: De gemiddelde marktprijzen stijgen boven de fundamentele waarde van 14, vormen een "hump-shaped" traject en dalen vervolgens, wat overeenkomt met de klassieke bubbels van Smith et al. (1988).
Predictive Power van Excess Demand: De kloof tussen biedingen en vraagprijzen (bid-offer gap) fungeert als een sterke leidende indicator voor toekomstige prijsstijgingen. Dit bevestigt dat markten adaptief werken in plaats van direct naar een rationeel evenwicht te convergeren.
Disagreement en Handelsvolume: Er is een sterke positieve correlatie tussen de spreiding in de verwachtingen van de agenten (disagreement) en het totale handelsvolume. Heterogene overtuigingen drijven de handel aan.

C. Cognitieve Mechanismen (Tekstanalyse)

Door de "inner monologues" van de agenten te analyseren, ontdekten de auteurs dat bubbels niet het gevolg zijn van toeval, maar van bewuste speculatie:

Tijdens bubbels articuleren agenten expliciet strategieën zoals "momentum chasing" en het "rijden op de bubbel" (verwachten dat ze later aan een hogere prijs kunnen verkopen).
Ze erkennen de overwaardering maar besluiten toch te participeren, wat wijst op een rationeel speculatief bubbelmechanisme.

D. Interventie via Prompt Engineering

De auteurs tonen aan dat het gedrag van AI-agenten causaal kan worden beïnvloed door hun prompts (instructies) aan te passen:

Amplificatie: Prompts die momentum-chasing aanmoedigen, leiden tot grotere en hevigere bubbels.
Suppressie: Prompts die agenten instrueren om zich te richten op fundamentele waarden en statistische discipline ("cognitive guardrails"), leiden tot een significante vermindering van de bubbelgrootte en een prijsdaling richting de fundamentele waarde.

4. Bijdragen en Significantie

Deze paper levert drie fundamentele bijdragen aan de literatuur:

Openen van de "Black Box" van AI-handel: Het documenteert dat LLM's niet alleen menselijke gedragsfouten reproduceren, maar dat deze fouten leiden tot identieke marktevenwichten als bij mensen. Het toont aan dat AI-agenten een "frictionless" versie zijn van menselijke irrationaliteit.
Micro-naar-Macro Transmissie: Het biedt direct bewijs van hoe individuele cognitieve heuristieken (zoals extrapolatie) via een prijsvormingsmechanisme leiden tot macro-economische bubbels. De studie koppelt tekstuele redenering direct aan kwantitatieve marktoutcomes.
Beleid en Regulatie: Het introduceert een nieuw instrument voor financiële stabiliteit: prompt-level interventie. Omdat AI-agenten programmeerbaar zijn, kunnen regelgevers "cognitive guardrails" implementeren in de systeem-prompts van handelsalgoritmen om speculatie en bubbels ex-ante te onderdrukken. Dit is een veel effectievere aanpak dan het proberen menselijke psychologie te "patchen".

Conclusie:
De studie concludeert dat autonome AI-agenten in financiële markten systematisch menselijke gedragspatronen reproduceren, wat leidt tot voorspelbare marktbubbels. Echter, in tegenstelling tot mensen, zijn deze patronen bij AI volledig programmeerbaar. Door de invoering van gedragsfinanciële principes in de instructies (prompts) van AI-systemen, kunnen markten worden gestabiliseerd en kunnen speculatieve crashes worden voorkomen. Dit biedt een nieuwe, actieve route voor regulering in een steeds meer geautomatiseerde financiële wereld.