社會涌現的研究是社會科學的核心，傳統的基于規則的代理模型（ABMs）難以捕捉人類行為的復雜性和多樣性。大型語言模型（LLMs）作為模擬工具，能夠更好地反映認知偏差和情感波動，適用于社會科學和角色扮演應用。

TwinMarket是一個新穎的多代理框架，利用LLMs模擬股票市場中的投資者行為，強調微觀行為如何驅動宏觀市場動態。TwinMarket采用信念-欲望-意圖（BDI）框架，提供透明的代理認知過程建模，并研究信息傳播和社會影響的動態過程。

摘要

社會涌現的研究是社會科學的核心，傳統的基于規則的代理模型（ABMs）難以捕捉人類行為的復雜性和多樣性。大型語言模型（LLMs）作為模擬工具，能夠更好地反映認知偏差和情感波動，適用于社會科學和角色扮演應用。本文介紹了TwinMarket，一個利用LLMs模擬社會經濟系統的多代理框架。通過模擬股市環境，研究個體行為如何通過互動和反饋機制產生集體動態和涌現現象，如金融泡沫和衰退。該方法提供了個體決策與集體社會經濟模式之間復雜關系的深刻見解。

簡介

大型語言模型（LLMs）在語言使用、決策和社會互動中捕捉復雜模式，成為社會科學研究中強大的代理基礎模擬工具。金融市場的高分辨率交易數據和集體現象使其成為微觀行為與宏觀動態關系研究的理想場所。現有的代理基礎模型（ABMs）多依賴規則基礎方法，簡化了人類決策，未能有效捕捉經濟行為的復雜性。

TwinMarket是一個新穎的多代理框架，利用LLMs模擬股票市場中的投資者行為，強調微觀行為如何驅動宏觀市場動態。TwinMarket采用信念-欲望-意圖（BDI）框架，提供透明的代理認知過程建模，并研究信息傳播和社會影響的動態過程。研究貢獻在于與真實世界對齊、動態互動建模和可擴展市場模擬，分析群體規模對市場行為的影響。

背景

傳統的基于代理的模型在模擬復雜社會系統時面臨兩個主要挑戰：個體代理的經濟決策定制和對外部環境變化的感知與響應。現有研究通過引入大型語言模型（LLMs）有所進展，但如CompeteAI、EconAgent和ASFM等框架在代理的經濟行為模擬和多代理互動方面存在局限。

TwinMarket框架利用LLM代理模擬復雜人類行為，結合理性決策、技術分析和行為偏差（如從眾和過度自信）。TwinMarket基于行為理論并校準真實數據，確保理論嚴謹性和實證相關性，代理在社會嵌入環境中通過價格動態和社交媒體互動影響市場行為。該研究展示了LLMs在計算模擬與行為科學之間的橋梁作用，提供了研究個體決策如何聚合成社會經濟現象的實驗平臺。

TwinMarket

在微觀層面上，我們專注于真實地模擬股票市場中的個人用戶行為，捕捉決策過程和基于決策理論的互動，并通過現實世界的交易模式進行驗證。在宏觀層面上，我們構建了一個交互式的、類似論壇的環境，在這個環境中，分布式代理可以交換信息、形成意見并影響彼此的決策，從而模擬了現實世界社會系統的緊急屬性。

數據源和仿真設置

數據來源包括多個網站，如Xueqiu、東財股吧、CSMAR等，主要用于構建真實的社交模擬環境。選擇了上海證券交易所的50只最大流動性股票（SSE 50指數）進行分析。

初始用戶檔案通過真實交易數據和用戶資料構建，提取行為偏差和人口特征，生成獨特的交易代理。TwinMarket模擬動態交易環境，代理的決策通過訂單驅動系統影響股價，確保市場環境與現實一致。

微觀層面模擬：個體行為

使用信念-欲望-意圖（BDI）框架模擬金融市場中的個體行為，解決信息流同質化導致的行為趨同問題。BDI模型包含信念（市場理解）、欲望（目標偏好）和意圖（具體行動），模擬真實投資者的決策過程。

微觀層面，代理人具備信號感知、規劃和決策三大功能，能夠細致再現投資者行為。代理人根據市場信息（如股價、新聞、社交媒體）調整信念和欲望，執行交易或社交互動。每個代理人在BDI框架中有獨特角色和責任，具體操作將在后續章節詳細說明。

宏觀層面的模擬：社交互動

信息流是金融市場集體行為和市場動態的關鍵驅動因素，圖形模型用于模擬信息在代理網絡中的傳播。設計的市場具有動態特性，代理行為隨時間演變，系統需具備適應性和可擴展性。

社交網絡G由用戶節點V和基于交易行為的邊E構成，用戶間相似的交易行為形成更強的連接。引入時間衰減因子λ，確保近期交易對圖結構的影響更大，計算用戶間的加權Jaccard相似度S(u1, u2)。

信息聚合機制基于社交網絡，目標用戶u_t的鄰居用戶中，只有相似度超過閾值τ的用戶信息被考慮。對鄰居用戶的帖子進行熱度評分h(p)，結合投票和時間衰減，確保高參與度的帖子優先推薦給目標用戶。

工作流

設計理念模擬用戶在真實交易環境中的完整工作流程，包括信息獲取、交易決策和分享見解。

用戶行為。用戶通過點贊、點踩和轉發與內容互動，接收市場更新，形成信息查詢的欲望，更新信念，最終影響交易決策和分享市場觀點。

動態環境。個性化決策通過推薦算法調節用戶的感知領域，股票推薦基于用戶投資組合和真實交易數據，帖子推薦實時調整，影響排名和可見性。

用戶在交易前可搜索相關新聞、公告及技術和基本指標，基本指標通過比例與真實價格對齊以保持估值一致性。

結果和分析

在100用戶的網絡中進行微觀和宏觀層面的實驗，分析個體決策差異及集體行為對市場動態的影響。發現信息傳播與集體行為之間的動態互動，導致市場波動。自我實現的預言、謠言和情緒變化驅動交易行為，影響市場穩定。這些現象在傳統的代理基礎模型（ABM）中難以捕捉。

實驗設置

模擬環境為股票市場，包含10個代表性指數和100個市場參與者。參與者為基本面和技術分析師，模擬期為2023年6月15日至11月15日。每個代理人基于預定義角色初始化，影響其行為偏差和市場評估。代理人每日制定交易策略，自由選擇買、賣或持有。實施股票論壇以促進信息交流和市場情緒分享。模擬將在股票價格超過波動限制或市場參與顯著減少時提前終止。

微觀分析：自我實現的預言

自我實現預言是市場參與者基于預期行動，最終導致預期實現的現象。在BDI框架中，用戶的期望被建模為每日更新的信念，涵蓋經濟基本面、市場估值、短期趨勢、投資者情緒和自我評估五個維度。每個維度分配情感分數，整體情感由五個維度的平均分數表示，反映信念對投資決策和市場結果的影響。

TwinMarket環境的結果顯示，樂觀預期導致買入活動增加，推動股價上漲，形成自我強化的反饋循環，最終導致市場價格偏離基本面并出現急劇修正。這種模式與金融文獻中描述的經典泡沫動態相符，強調集體信念形成在投機繁榮和市場崩潰中的作用。

宏觀分析：程式化的事實

市場參與者的行為特征（如基本面與技術面交易的互動、跟風傾向、決策異質性）被簡化為概率策略切換和結構隨機波動性（SSV）等規則，能夠有效再現金融市場的風格化事實（如厚尾收益分布和波動聚集）。LLM（大語言模型）用戶自然融合這些行為特征，能夠分析金融市場的基本面和技術指標，并展現跟風傾向。為捕捉市場參與者的異質性，構建個性化用戶檔案，使代理在決策中同時展現理性投資策略和非理性行為偏差。

TwinMarket與歷史市場數據比較，確保模擬反映真實市場行為，主要風格化事實包括：

• 非正態性：對數收益呈現尖峰和厚尾。
• 杠桿效應：負收益顯示弱自相關，表明下行趨勢的持續性。
• 交易量-收益關系：交易量與收益正相關，反映投資者的集體行為。
• 波動聚集：GARCH分析顯示高波動沖擊的持續性。

TwinMarket通過精細建模市場參與者和環境，捕捉金融市場的宏觀動態，無需依賴規則基礎技術。

群體行為的出現

金融市場中的個體決策受復雜社會網絡影響，非孤立進行。價格反饋、社交互動和信息流形成動態反饋循環，影響個體行為。社會影響和羊群行為重塑個體選擇，導致市場趨勢和波動的出現。通過模擬個體行為和社交互動，驗證經濟理論，反映市場觀察，未施加人工約束。

信息傳播

研究通過選擇重要新聞并推送給高中心性用戶，探討信息傳播機制及其對市場的影響，反映市場中的信息不對稱。用極端謠言替代部分新聞，可能加劇信息流動的影響，進一步驗證信息對市場的影響。

在TwinMarket中，用戶間的行為相似性導致強烈的模仿效應，高度用戶的影響力更大，形成意見領袖，促進決策同質化和極化。負面謠言替代正常新聞，導致用戶信念分化，形成回聲室，謠言用戶對資產價值的悲觀評估加劇孤立。用戶的交易行為受信念波動影響，負面謠言導致賣單比例顯著增加，賣/買比率達到基線的2.02倍，反映出恐慌性拋售。謠言驅動的不確定性導致市場不穩定，正常市場穩定，而謠言市場則出現劇烈下跌，反映出對錯誤信息的過度反應和信心喪失。

擴大規模

擴展模擬至1,000個代理，展示框架的可擴展性，克服傳統代理模型的挑戰。結果顯示五個月模擬期間整體趨勢相似，支持復雜系統在規模擴大時表現出相似宏觀行為的研究。LLM驅動的代理的涌現行為能夠很好地再現整體市場動態。詳細的定量評估（包括RMSE、MAE和滯后分析）。

總結和未來工作

研究通過LLM驅動的代理方法探討社會涌現現象，提出了TwinMarket框架，模擬股票市場中的投資者行為。發現LLM能夠有效建模現實行為，驗證行為理論，揭示社會涌現的機制，深化對復雜人類系統的理解。

未來將研究代理信任的內在屬性，探討在社會科學和角色扮演應用中的廣泛影響。旨在深入了解LLM代理行為及其與人類認知的基本相似性，推動LLM與人類的對齊研究。

本文轉載自????靈度智能????，作者： 靈度智能