Resumo Técnico: StockAgent – Negociação de Ações Baseada em Grandes Modelos de Linguagem em Ambientes Reais Simulados

1. Declaração do Problema

O mercado de ações opera dentro de um ecossistema complexo e volátil, influenciado por uma multiplicidade de fatores, incluindo macroeconomia, mudanças de políticas, fundamentos de empresas e eventos globais. Métodos tradicionais para analisar estratégias de negociação, como o backtesting com dados históricos (ex: Zipline, Backtrader), sofrem com a natureza estática e o viés retrospectivo, levando frequentemente ao overfitting e à falha em refletir a liquidez do mercado em tempo real ou o sentimento coletivo. Embora o aprendizado de máquina e o aprendizado por reforço (ex: Trading Gym) tenham sido aplicados, eles frequentemente carecem da capacidade de simular os comportamentos sutis, irracionais e psicológicos dos investidores humanos.

Além disso, as simulações de negociação baseadas em IA existentes enfrentam um desafio crítico: o vazamento de conjunto de teste (test set leakage). Os modelos frequentemente utilizam conhecimento prévio adquirido durante o treinamento sobre dados de mercado específicos, comprometendo a validade das simulações em cenários de "sem conhecimento prévio". Há uma necessidade de um framework que possa simular comportamentos de investidores em resposta a fatores externos dinâmicos sem depender da memorização de dados históricos, permitindo que pesquisadores investiguem como condições externas (ex: taxas de juros, relatórios financeiros, sentimento social) impactam as decisões de negociação e a lucratividade.

2. Metodologia: O Framework StockAgent

Os autores propõem o StockAgent, um Sistema Multiagente (MAS) impulsionado por Grandes Modelos de Linguagem (LLMs) projetado para simular ambientes reais de negociação de ações. O sistema é orientado a eventos e estruturado para evitar conflitos de ação entre agentes, garantindo ao mesmo tempo a disponibilidade de mensagens.

2.1 Arquitetura do Sistema

O StockAgent compreende três módulos primários:

1. Módulo de Agente de Investimento:
   • Os agentes são inicializados com capital aleatório, passivos e uma de quatro personalidades: Conservadora, Agressiva, Equilibrada e Orientada ao Crescimento.
   • Os agentes tomam decisões sobre empréstimos, negociações (comprar/vender/manter/long/short), previsões e compartilhamento de dicas.
   • Um mecanismo de "secretário" corrige respostas inválidas (ex: gastar além do caixa disponível) para manter o realismo.
2. Módulo de Transação:
   • Gerencia um livro de ordens usando uma estrutura de dados de dicionário.
   • Para evitar deadlocks em transações simultâneas, o sistema emprega um Algoritmo de Substituição de Página de Relógio Aleatório (Random Clock Page Replacement Algorithm). Os agentes recebem IDs e sequências de decisão aleatórios, garantindo que não disputem recursos concorrentemente.
3. Módulo de Sistema de Quadro de Avisos (BBS):
   • Simula dinâmicas sociais permitindo que os agentes postem dicas de negociação anonimamente ao final de cada dia. Essas mensagens ficam visíveis para todos os agentes no dia seguinte, mimetizando a influência do sentimento do mercado e opiniões de pares.

2.2 Design da Simulação

• Ambiente: A simulação replica sessões de negociação e mecanismos da NASDAQ e da Bolsa de Valores de Hong Kong.
• Ativos: Dois estoques anonimizados (Ação A e Ação B) são utilizados. A Ação A é uma ação circulante, enquanto a Ação B é um IPO recém-emitido. As configurações iniciais são derivadas de relatórios financeiros reais (balanços patrimoniais, demonstrações de resultados, demonstrações de fluxo de caixa) usando avaliação por FCFF (Fluxo de Caixa Livre para a Firma) e CAPM (Modelo de Precificação de Ativos Capitais) para determinar os preços ideais das ações.
• Fluxo de Processo:
  1. Pré-Negociação: Pagamento de juros, pagamento de empréstimos, verificações de falência e gatilhos de eventos especiais (ex: mudanças na taxa de reserva, aumento de taxas de juros).
  2. Sessões de Negociação: Agentes decidem comprar, vender ou manter com base nos dados de mercado e entradas do BBS. Os preços são atualizados ao final da sessão com base no último preço de transação.
  3. Pós-Negociação: Agentes estimam ações futuras e compartilham dicas de negociação no BBS.
• Fatores Externos: A simulação incorpora eventos externos específicos (ex: flexibilização monetária, aumento de taxas de juros, relatórios de ganhos) para testar a responsividade dos agentes.

2.3 Modelos de Base (Backbone Models)

O estudo utiliza dois LLMs de última geração como motores cognitivos dos agentes:

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

O framework visa explicitamente minimizar a influência do conhecimento prévio dos modelos sobre dados de teste específicos, focando em sua capacidade de raciocínio baseada no contexto fornecido.

3. Principais Contribuições

1. Novo Framework de Simulação: Desenvolvimento do StockAgent, um MAS impulsionado por LLM que simula comportamentos de negociação de investidores em resposta às condições reais do mercado sem depender da memorização de dados históricos.
2. Abordagem do Vazamento de Conjunto de Teste: O sistema é projetado para evitar que os modelos utilizem conhecimento prévio de dados de teste, permitindo o estudo de "lacunas de negociação livre" em contextos onde os agentes não possuem exposição prévia aos dados de mercado.
3. Análise Multifatorial: O framework permite a avaliação de como distintos fatores externos (indicadores macroeconômicos, mudanças de política, sentimento do BBS) influenciam o comportamento de negociação e a lucratividade.
4. Análise Comparativa de LLM: O estudo fornece uma comparação sistemática de como diferentes backbones de LLM (GPT vs. Gemini) direcionam estratégias de negociação, revelando vieses inerentes e tendências comportamentais.

4. Resultados Experimentais

Os autores conduziram experimentos ao longo de 10 dias de negociação (estendidos para 154 dias para a RQ3) com 200 agentes de IA para abordar três questões de pesquisa (RQs).

4.1 Eficácia da Simulação (RQ1)

• Tendências de Negociação Divergentes: GPT e Gemini exibiram padrões de negociação distintos. Agentes movidos pelo GPT mostraram uma perspectiva otimista, favorecendo posições compradas (long), particularmente na Ação A, e executaram menos operações, porém de maior volume. Agentes movidos pelo Gemini foram mais pessimistas, preferindo posições vendidas (short) e engajando-se em negociações de maior frequência e menor volume.
• Agrupamento Comportamental: A visualização T-SNE e a análise de agrupamento revelaram que os agentes do Gemini exibiram um comportamento mais homogêneo e de manada. Em contraste, os agentes do GPT mostraram maior dispersão, sugerindo uma tomada de decisão mais subjetiva e menor dependência da mentalidade de manada.

4.2 Confiabilidade do LLM (RQ2)

• Diferenças de Execução: Embora ambos os modelos tenham identificado o desempenho superior relativo da Ação A sobre a Ação B, suas estratégias de execução diferiram significamente. Agentes GPT adotaram estratégias agressivas com maior volatilidade e potenciais ganhos (e riscos), enquanto agentes Gemini mantiveram estratégias conservadoras e estáveis com faixas de preço mais baixas.
• Viés Inerente: Os resultados indicam que a escolha do backbone do LLM influencia significamente os resultados de negociação, sugerindo que as tendências inerentes e o conhecimento prévio do LLM afetam a confiabilidade das recomendações de ações.

4.3 Negociação Simulada sob Condições Externas (RQ3)

• Sensibilidade às Taxas de Juros: A remoção das informações da taxa de juros de referência promoveu significativamente a atividade de negociação para a Ação A, pois os agentes tornaram-se mais otimistas em relação aos custos de empréstimos.
• Impacto do BBS: A ausência de comunicação via BBS levou a um comportamento mais conservador e a uma queda no preço da Ação B abaixo de sua avaliação ideal.
• Impacto de Dados Financeiros: A remoção de relatórios de ganhos e mudanças nas taxas de juros surpreendentemente deslocou alguns agentes do prejuízo para o lucro, sugerindo que dados financeiros excessivos ou específicos podem, por vezes, induzir uma tomada de decisão suboptimal na ausência de outro contexto.
• Variância de Mercado: Quando todo o suporte de informação financeira foi retirado, a lacuna entre os ganhos e perdas dos agentes aumentou, indicando uma intensificação da competição de mercado e maior variância nos resultados.

5. Significância e Alegações

O artigo afirma que o StockAgent fornece uma ferramenta valiosa para investigar o impacto de fatores externos nas atividades de negociação de ações em um ambiente simulado controlado. Ao evitar o vazamento de conjunto de teste, o framework permite o estudo do comportamento dos agentes em cenários de "sem conhecimento prévio", preenchendo a lacuna entre a análise de dados tradicional e a natureza dinâmica do sentimento humano.

As descobertas sugerem que:

• A Escolha do LLM Importa: Diferentes LLMs introduzem vieses distintos e preferências estratégicas, o que pode distorcer os resultados da simulação e os conselhos de investimento.
• Fatores Externos Direcionam o Comportamento: Os agentes são altamente sensíveis a entradas específicas (ex: taxas de juros, sentimento social), e a remoção desses fatores pode alterar drasticamente a dinâmica de mercado e a lucratividade.
• Direções Futuras: Os autores postulam que este framework pode ser adaptado para incorporar informações mais dinâmicas, melhorar os módulos de análise de sentimento e servir como uma plataforma para testar diversas estratégias de negociação e técnicas de gestão de risco. Eles enfatizam a necessidade de mais pesquisas sobre a confiabilidade das estratégias de negociação baseadas em LLM, dado os vieses inerentes aos modelos subjacentes.

O código para o StockAgent é disponibilizado para facilitar pesquisas adicionais neste domínio.