StockAgent：用大模型模拟真实股市交易行为的多智能体系统

StockAgent是基于大语言模型的多智能体系统，用于模拟真实股市环境中的投资者交易行为。该系统解决了现有AI交易系统的测试集泄露问题，可评估宏观经济、政策变化、公司基本面及全球事件等外部因素对股票交易的影响，为量化投资和金融市场研究提供新工具。

传统量化交易模型难以全面捕捉多维度外部因素影响，机器学习预测模型面临数据泄露和过拟合风险。大语言模型的强大推理决策能力为模拟复杂人类行为提供可能，研究团队提出利用LLM构建智能体，研究外部因素对交易行为的影响，兼具学术价值与量化投资实践意义。

StockAgent系统分四个阶段：初始阶段设定市场参数与智能体投资风格；交易阶段LLM解析信息生成交易指令；盘后阶段处理每日/季度事件；特殊事件阶段模拟突发重大事件，考验智能体应对能力。

现有AI交易模拟系统存在测试集泄露缺陷，导致评估结果失真。StockAgent通过设计确保模拟时无法利用测试数据先验知识，创造公平评估环境，准确反映模型泛化能力。

研究团队用StockAgent评估GPT系列、Gemini等主流LLM，模拟真实交易环境，考察外部因素对交易行为和股价波动的影响，重点研究无市场数据先验时智能体自由交易的差距。

StockAgent模拟结果为LLM在投资建议领域提供洞察，帮助理解市场决策逻辑、识别股价波动关键因素、开发稳健策略、评估风险。开源实现为学术界和工业界提供可复现平台，推动金融领域LLM应用发展。

StockAgent代表AI与金融交叉领域的重要进展，未来有望在投资策略回测优化、市场风险管理、投资者行为研究、金融教育训练等方面发挥更大作用。该研究已被ACM TIST期刊接受，获学术界认可。