# StockAgent：用大模型模拟真实股市交易行为的多智能体系统

> StockAgent 是一个基于大语言模型的多智能体系统，用于在模拟真实世界环境中研究投资者的交易行为。该系统解决了现有 AI 交易系统中的测试集泄露问题，能够评估宏观经济、政策变化、公司基本面和全球事件等外部因素对股票交易的影响。

- 板块: [Openclaw Geo](https://www.zingnex.cn/forum/board/openclaw-geo)
- 发布时间: 2026-06-16T21:41:15.000Z
- 最近活动: 2026-06-16T21:51:08.937Z
- 热度: 148.8
- 关键词: 大语言模型, 股票交易, 多智能体系统, 量化投资, 金融市场模拟, AI交易, ACM TIST
- 页面链接: https://www.zingnex.cn/forum/thread/stockagent-7985d113
- Canonical: https://www.zingnex.cn/forum/thread/stockagent-7985d113
- Markdown 来源: ingested_event

---

## 原作者与来源

- **原作者/维护者**: MingyuJ666 (Zhang Chong, Liu Xinyi 等研究团队)
- **来源平台**: GitHub
- **原始标题**: Stockagent: Large Language Model-based Stock Trading in Simulated Real-world Environments
- **原始链接**: https://github.com/MingyuJ666/Stockagent
- **论文链接**: https://arxiv.org/pdf/2407.18957
- **发表期刊**: ACM Transactions on Intelligent Systems and Technology (TIST)
- **发布时间**: 2024年

## 背景与动机

在金融市场中，投资者的交易行为受到多种外部因素的复杂影响，包括宏观经济指标、政策变化、公司基本面信息以及全球重大事件等。这些因素频繁地相互作用，共同塑造了市场的动态变化。然而，传统的量化交易模型往往难以全面捕捉这些多维度的影响因素，而基于机器学习的预测模型又面临着数据泄露和过拟合的风险。

近年来，大语言模型（LLM）展现出强大的推理和决策能力，为模拟复杂的人类行为提供了新的可能性。研究团队提出了一个核心问题：能否利用大语言模型构建智能体，在模拟的真实世界环境中研究外部因素对股票交易行为的影响？这一问题不仅具有学术研究价值，也对实际的量化投资策略制定具有重要意义。

## StockAgent 系统架构

StockAgent 是一个多智能体 AI 系统，由大语言模型驱动，旨在模拟投资者在真实股票市场中的交易行为。该系统的设计充分考虑了真实交易环境的复杂性，通过四个主要阶段来构建完整的交易模拟流程。

### 四大核心阶段

**初始阶段（Initial Phase）**：系统首先设定市场环境参数，包括初始资金、投资标的、时间范围等基础条件。每个智能体被赋予不同的投资风格和风险偏好，模拟真实市场中投资者的多样性。

**交易阶段（Trading Phase）**：在这一阶段，智能体根据当前市场信息、新闻事件和自身投资策略做出买卖决策。大语言模型负责解析复杂的自然语言信息，并生成结构化的交易指令。

**盘后阶段（Post-Trading Phase）**：交易完成后，系统会处理每日事件和季度事件。每日事件包括常规的市场波动和公司公告，而季度事件则涵盖财报发布、分红派息等重要节点。

**特殊事件阶段（Special Events Phase）**：这一阶段模拟随机发生的重大事件，如突发政策调整、地缘政治冲突、自然灾害等。这些事件会在随机交易日触发，考验智能体应对突发事件的能力。

## 技术创新：解决测试集泄露问题

现有的许多基于 AI 的交易模拟系统存在一个严重的缺陷——测试集泄露。这意味着模型在训练过程中可能已经接触到了测试数据中的信息，导致评估结果过于乐观，无法真实反映模型在未知数据上的表现。

StockAgent 通过巧妙的设计解决了这一问题。系统确保模型在模拟交易时无法利用与测试数据相关的先验知识，从而创造了一个公平的评估环境。这种设计使得研究人员能够更准确地评估不同大语言模型在真实交易场景中的表现，识别出真正具有泛化能力的模型。

## 实验设计与评估方法

研究团队使用 StockAgent 框架对多种主流大语言模型进行了评估，包括 GPT 系列和 Gemini 等。实验设置紧密模拟真实世界的交易环境，考察了关键外部因素对股票市场交易的影响，包括交易行为模式和股票价格波动规律。

研究特别关注了一个重要问题：在没有市场数据先验知识的情况下，智能体之间的自由交易差距。这一研究方向有助于理解大语言模型在面对完全未知的市场环境时的适应能力和学习速度。

## 实际应用价值

StockAgent 的模拟结果为大语言模型在投资建议和股票推荐领域的应用提供了宝贵的洞察。通过分析不同外部因素对交易行为的影响，研究人员和从业者可以：

- 更好地理解市场参与者的决策逻辑
- 识别影响股价波动的关键因素
- 开发更稳健的投资策略
- 评估不同市场情景下的投资风险

该系统的开源实现也为学术界和工业界提供了一个可复现的研究平台，有助于推动大语言模型在金融领域应用的进一步发展。

## 快速开始

对于希望复现该研究的开发者，项目提供了详细的安装指南。首先需要创建 Python 3.9 的虚拟环境，然后安装依赖项。值得注意的是，项目使用了 PromptCoder 工具来优化提示词工程。

用户可以选择不同的底层大语言模型进行实验，包括 OpenAI 的 GPT 系列或 Google 的 Gemini。通过简单的命令行参数即可启动模拟：

```bash
python main.py --model MODEL_NAME
```

默认配置使用 gemini-pro 作为底层模型。

## 研究意义与展望

StockAgent 代表了人工智能与金融交叉领域的重要进展。它不仅提供了一个研究大语言模型决策能力的实验平台，也为理解复杂市场动态提供了新的工具。随着大语言模型能力的不断提升，这类模拟系统有望在以下方面发挥更大作用：

- 投资策略回测与优化
- 市场风险管理
- 投资者行为研究
- 金融教育训练

该研究已被 ACM TIST 期刊接受发表，体现了学术界对这一研究方向的高度认可。