TwinMarket是一个利用大型语言模型（LLMs）模拟股票市场中投资者行为的多代理框架。该框架采用信念-欲望-意图（BDI）框架，提供透明的代理认知过程建模，并研究信息传播和社会影响的动态过程。通过模拟股市环境，TwinMarket探索个体行为如何通过互动和反馈机制产生集体动态和涌现现象，如金融泡沫和衰退。该方法为理解个体决策与集体社会经济模式之间复杂关系提供了深刻见解，适合小白和程序员学习大模型应用。

【 扫描文末二维码加入星球获取论文，源码 】

摘要

社会涌现的研究是社会科学的核心，传统的基于规则的代理模型（ABMs）难以捕捉人类行为的复杂性和多样性。大型语言模型（LLMs）作为模拟工具，能够更好地反映认知偏差和情感波动，适用于社会科学和角色扮演应用。本文介绍了TwinMarket，一个利用LLMs模拟社会经济系统的多代理框架。通过模拟股市环境，研究个体行为如何通过互动和反馈机制产生集体动态和涌现现象，如金融泡沫和衰退。该方法提供了个体决策与集体社会经济模式之间复杂关系的深刻见解。

简介

大型语言模型（LLMs）在语言使用、决策和社会互动中捕捉复杂模式，成为社会科学研究中强大的代理基础模拟工具。金融市场的高分辨率交易数据和集体现象使其成为微观行为与宏观动态关系研究的理想场所。现有的代理基础模型（ABMs）多依赖规则基础方法，简化了人类决策，未能有效捕捉经济行为的复杂性。

TwinMarket是一个新颖的多代理框架，利用LLMs模拟股票市场中的投资者行为，强调微观行为如何驱动宏观市场动态。TwinMarket采用信念-欲望-意图（BDI）框架，提供透明的代理认知过程建模，并研究信息传播和社会影响的动态过程。研究贡献在于与真实世界对齐、动态互动建模和可扩展市场模拟，分析群体规模对市场行为的影响。

背景

传统的基于代理的模型在模拟复杂社会系统时面临两个主要挑战：个体代理的经济决策定制和对外部环境变化的感知与响应。现有研究通过引入大型语言模型（LLMs）有所进展，但如CompeteAI、EconAgent和ASFM等框架在代理的经济行为模拟和多代理互动方面存在局限。

TwinMarket框架利用LLM代理模拟复杂人类行为，结合理性决策、技术分析和行为偏差（如从众和过度自信）。TwinMarket基于行为理论并校准真实数据，确保理论严谨性和实证相关性，代理在社会嵌入环境中通过价格动态和社交媒体互动影响市场行为。该研究展示了LLMs在计算模拟与行为科学之间的桥梁作用，提供了研究个体决策如何聚合成社会经济现象的实验平台。

TwinMarket

在微观层面上，我们专注于真实地模拟股票市场中的个人用户行为，捕捉决策过程和基于决策理论的互动，并通过现实世界的交易模式进行验证。在宏观层面上，我们构建了一个交互式的、类似论坛的环境，在这个环境中，分布式代理可以交换信息、形成意见并影响彼此的决策，从而模拟了现实世界社会系统的紧急属性。

数据源和仿真设置

数据来源包括多个网站，如Xueqiu、东财股吧、CSMAR等，主要用于构建真实的社交模拟环境。选择了上海证券交易所的50只最大流动性股票（SSE 50指数）进行分析。

初始用户档案通过真实交易数据和用户资料构建，提取行为偏差和人口特征，生成独特的交易代理。TwinMarket模拟动态交易环境，代理的决策通过订单驱动系统影响股价，确保市场环境与现实一致。

微观层面模拟：个体行为

使用信念-欲望-意图（BDI）框架模拟金融市场中的个体行为，解决信息流同质化导致的行为趋同问题。BDI模型包含信念（市场理解）、欲望（目标偏好）和意图（具体行动），模拟真实投资者的决策过程。

微观层面，代理人具备信号感知、规划和决策三大功能，能够细致再现投资者行为。代理人根据市场信息（如股价、新闻、社交媒体）调整信念和欲望，执行交易或社交互动。每个代理人在BDI框架中有独特角色和责任，具体操作将在后续章节详细说明。

宏观层面的模拟：社交互动

信息流是金融市场集体行为和市场动态的关键驱动因素，图形模型用于模拟信息在代理网络中的传播。设计的市场具有动态特性，代理行为随时间演变，系统需具备适应性和可扩展性。

社交网络G由用户节点V和基于交易行为的边E构成，用户间相似的交易行为形成更强的连接。引入时间衰减因子λ，确保近期交易对图结构的影响更大，计算用户间的加权Jaccard相似度S(u1, u2)。

信息聚合机制基于社交网络，目标用户u_t的邻居用户中，只有相似度超过阈值τ的用户信息被考虑。对邻居用户的帖子进行热度评分h§，结合投票和时间衰减，确保高参与度的帖子优先推荐给目标用户。

工作流

设计理念模拟用户在真实交易环境中的完整工作流程，包括信息获取、交易决策和分享见解。

**用户行为。**用户通过点赞、点踩和转发与内容互动，接收市场更新，形成信息查询的欲望，更新信念，最终影响交易决策和分享市场观点。

**动态环境。**个性化决策通过推荐算法调节用户的感知领域，股票推荐基于用户投资组合和真实交易数据，帖子推荐实时调整，影响排名和可见性。

用户在交易前可搜索相关新闻、公告及技术和基本指标，基本指标通过比例与真实价格对齐以保持估值一致性。

结果和分析

在100用户的网络中进行微观和宏观层面的实验，分析个体决策差异及集体行为对市场动态的影响。发现信息传播与集体行为之间的动态互动，导致市场波动。自我实现的预言、谣言和情绪变化驱动交易行为，影响市场稳定。这些现象在传统的代理基础模型（ABM）中难以捕捉。

实验设置

模拟环境为股票市场，包含10个代表性指数和100个市场参与者。参与者为基本面和技术分析师，模拟期为2023年6月15日至11月15日。每个代理人基于预定义角色初始化，影响其行为偏差和市场评估。代理人每日制定交易策略，自由选择买、卖或持有。实施股票论坛以促进信息交流和市场情绪分享。模拟将在股票价格超过波动限制或市场参与显著减少时提前终止。

微观分析：自我实现的预言

自我实现预言是市场参与者基于预期行动，最终导致预期实现的现象。在BDI框架中，用户的期望被建模为每日更新的信念，涵盖经济基本面、市场估值、短期趋势、投资者情绪和自我评估五个维度。每个维度分配情感分数，整体情感由五个维度的平均分数表示，反映信念对投资决策和市场结果的影响。

TwinMarket环境的结果显示，乐观预期导致买入活动增加，推动股价上涨，形成自我强化的反馈循环，最终导致市场价格偏离基本面并出现急剧修正。这种模式与金融文献中描述的经典泡沫动态相符，强调集体信念形成在投机繁荣和市场崩溃中的作用。

宏观分析：程式化的事实

市场参与者的行为特征（如基本面与技术面交易的互动、跟风倾向、决策异质性）被简化为概率策略切换和结构随机波动性（SSV）等规则，能够有效再现金融市场的风格化事实（如厚尾收益分布和波动聚集）。LLM（大语言模型）用户自然融合这些行为特征，能够分析金融市场的基本面和技术指标，并展现跟风倾向。为捕捉市场参与者的异质性，构建个性化用户档案，使代理在决策中同时展现理性投资策略和非理性行为偏差。

TwinMarket与历史市场数据比较，确保模拟反映真实市场行为，主要风格化事实包括：

• **非正态性：**对数收益呈现尖峰和厚尾。
• **杠杆效应：**负收益显示弱自相关，表明下行趋势的持续性。
• **交易量-收益关系：**交易量与收益正相关，反映投资者的集体行为。
• **波动聚集：**GARCH分析显示高波动冲击的持续性。

TwinMarket通过精细建模市场参与者和环境，捕捉金融市场的宏观动态，无需依赖规则基础技术。

群体行为的出现

金融市场中的个体决策受复杂社会网络影响，非孤立进行。价格反馈、社交互动和信息流形成动态反馈循环，影响个体行为。社会影响和羊群行为重塑个体选择，导致市场趋势和波动的出现。通过模拟个体行为和社交互动，验证经济理论，反映市场观察，未施加人工约束。

信息传播

研究通过选择重要新闻并推送给高中心性用户，探讨信息传播机制及其对市场的影响，反映市场中的信息不对称。用极端谣言替代部分新闻，可能加剧信息流动的影响，进一步验证信息对市场的影响。

在TwinMarket中，用户间的行为相似性导致强烈的模仿效应，高度用户的影响力更大，形成意见领袖，促进决策同质化和极化。负面谣言替代正常新闻，导致用户信念分化，形成回声室，谣言用户对资产价值的悲观评估加剧孤立。用户的交易行为受信念波动影响，负面谣言导致卖单比例显著增加，卖/买比率达到基线的2.02倍，反映出恐慌性抛售。谣言驱动的不确定性导致市场不稳定，正常市场稳定，而谣言市场则出现剧烈下跌，反映出对错误信息的过度反应和信心丧失。

扩大规模

扩展模拟至1,000个代理，展示框架的可扩展性，克服传统代理模型的挑战。结果显示五个月模拟期间整体趋势相似，支持复杂系统在规模扩大时表现出相似宏观行为的研究。LLM驱动的代理的涌现行为能够很好地再现整体市场动态。详细的定量评估（包括RMSE、MAE和滞后分析）。

总结和未来工作

研究通过LLM驱动的代理方法探讨社会涌现现象，提出了TwinMarket框架，模拟股票市场中的投资者行为。发现LLM能够有效建模现实行为，验证行为理论，揭示社会涌现的机制，深化对复杂人类系统的理解。

未来将研究代理信任的内在属性，探讨在社会科学和角色扮演应用中的广泛影响。旨在深入了解LLM代理行为及其与人类认知的基本相似性，推动LLM与人类的对齐研究。

如何学习大模型 AI ？

由于新岗位的生产效率，要优于被取代岗位的生产效率，所以实际上整个社会的生产效率是提升的。

但是具体到个人，只能说是：

“最先掌握AI的人，将会比较晚掌握AI的人有竞争优势”。

这句话，放在计算机、互联网、移动互联网的开局时期，都是一样的道理。

我在一线互联网企业工作十余年里，指导过不少同行后辈。帮助很多人得到了学习和成长。

我意识到有很多经验和知识值得分享给大家，也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑，所以在工作繁忙的情况下还是坚持各种整理和分享。但苦于知识传播途径有限，很多互联网行业朋友无法获得正确的资料得到学习提升，故此将并将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。

这份完整版的大模型 AI 学习资料已经上传CSDN，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】

为什么要学习大模型？

我国在A大模型领域面临人才短缺,数量与质量均落后于发达国家。2023年，人才缺口已超百万，凸显培养不足。随着AI技术飞速发展，预计到2025年,这一缺口将急剧扩大至400万,严重制约我国AI产业的创新步伐。加强人才培养,优化教育体系,国际合作并进是破解困局、推动AI发展的关键。

大模型入门到实战全套学习大礼包

1、大模型系统化学习路线

作为学习AI大模型技术的新手，方向至关重要。 正确的学习路线可以为你节省时间，少走弯路；方向不对，努力白费。这里我给大家准备了一份最科学最系统的学习成长路线图和学习规划，带你从零基础入门到精通！

---

2、大模型学习书籍&文档

学习AI大模型离不开书籍文档，我精选了一系列大模型技术的书籍和学习文档（电子版），它们由领域内的顶尖专家撰写，内容全面、深入、详尽，为你学习大模型提供坚实的理论基础。

3、AI大模型最新行业报告

2025最新行业报告，针对不同行业的现状、趋势、问题、机会等进行系统地调研和评估，以了解哪些行业更适合引入大模型的技术和应用，以及在哪些方面可以发挥大模型的优势。

4、大模型项目实战&配套源码

学以致用，在项目实战中检验和巩固你所学到的知识，同时为你找工作就业和职业发展打下坚实的基础。

5、大模型大厂面试真题

面试不仅是技术的较量，更需要充分的准备。在你已经掌握了大模型技术之后，就需要开始准备面试，我精心整理了一份大模型面试题库，涵盖当前面试中可能遇到的各种技术问题，让你在面试中游刃有余。

适用人群

第一阶段（10天）：初阶应用

该阶段让大家对大模型 AI有一个最前沿的认识，对大模型 AI 的理解超过 95% 的人，可以在相关讨论时发表高级、不跟风、又接地气的见解，别人只会和 AI 聊天，而你能调教 AI，并能用代码将大模型和业务衔接。

• 大模型 AI 能干什么？
• 大模型是怎样获得「智能」的？
• 用好 AI 的核心心法
• 大模型应用业务架构
• 大模型应用技术架构
• 代码示例：向 GPT-3.5 灌入新知识
• 提示工程的意义和核心思想
• Prompt 典型构成
• 指令调优方法论
• 思维链和思维树
• Prompt 攻击和防范
• …

第二阶段（30天）：高阶应用

该阶段我们正式进入大模型 AI 进阶实战学习，学会构造私有知识库，扩展 AI 的能力。快速开发一个完整的基于 agent 对话机器人。掌握功能最强的大模型开发框架，抓住最新的技术进展，适合 Python 和 JavaScript 程序员。

• 为什么要做 RAG
• 搭建一个简单的 ChatPDF
• 检索的基础概念
• 什么是向量表示（Embeddings）
• 向量数据库与向量检索
• 基于向量检索的 RAG
• 搭建 RAG 系统的扩展知识
• 混合检索与 RAG-Fusion 简介
• 向量模型本地部署
• …

第三阶段（30天）：模型训练

恭喜你，如果学到这里，你基本可以找到一份大模型 AI相关的工作，自己也能训练 GPT 了！通过微调，训练自己的垂直大模型，能独立训练开源多模态大模型，掌握更多技术方案。

到此为止，大概2个月的时间。你已经成为了一名“AI小子”。那么你还想往下探索吗？

• 为什么要做 RAG
• 什么是模型
• 什么是模型训练
• 求解器 & 损失函数简介
• 小实验2：手写一个简单的神经网络并训练它
• 什么是训练/预训练/微调/轻量化微调
• Transformer结构简介
• 轻量化微调
• 实验数据集的构建
• …

第四阶段（20天）：商业闭环

对全球大模型从性能、吞吐量、成本等方面有一定的认知，可以在云端和本地等多种环境下部署大模型，找到适合自己的项目/创业方向，做一名被 AI 武装的产品经理。

• 硬件选型
• 带你了解全球大模型
• 使用国产大模型服务
• 搭建 OpenAI 代理
• 热身：基于阿里云 PAI 部署 Stable Diffusion
• 在本地计算机运行大模型
• 大模型的私有化部署
• 基于 vLLM 部署大模型
• 案例：如何优雅地在阿里云私有部署开源大模型
• 部署一套开源 LLM 项目
• 内容安全
• 互联网信息服务算法备案
• …

学习是一个过程，只要学习就会有挑战。天道酬勤，你越努力，就会成为越优秀的自己。

如果你能在15天内完成所有的任务，那你堪称天才。然而，如果你能完成 60-70% 的内容，你就已经开始具备成为一名大模型 AI 的正确特征了。

这份完整版的大模型 AI 学习资料已经上传CSDN，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】