TwinMarket创新性地结合大语言模型（LLM）与BDI框架，模拟真实投资者行为，突破传统ABM局限。通过融合雪球等平台真实数据，量化投资者偏差，生成独特投资风格。框架采用LLM驱动智能体，通过“感知—认知—决策—交互”闭环，在动态社交网络中自下而上复现市场行为，无需预设规则即可模拟行业轮动、情绪拐点等真实现象。实验证明，1000名LLM智能体可自发生成与真实市场一致的特征，为金融仿真提供新范式。
题目：TwinMarket: A Scalable Behavioral and Social Simulation for Financial Markets
论文地址：https://arxiv.org/pdf/2502.01506
代码地址：https://freedomintelligence.github.io/TwinMarket
创新点：
• 首次将大语言模型与信念-欲望-意图（BDI）框架结合，用于模拟金融市场中的投资者行为。通过LLM agents模拟真实投资者的认知偏差、情绪波动等非理性因素，突破了传统基于规则的Agent-Based Models(ABMs)的局限性。
• 融合雪球、股吧等平台的真实用户数据、交易记录和股票数据，基于行为金融理论量化投资者的行为偏差，为每个agent生成独特的投资风格和行为特征。
方法：
本文提出的TwinMarket框架采用了一种基于大语言模型（LLM）的多智能体仿真方法，核心在于用LLM驱动的智能体替代传统基于规则的人工建模，从而在金融市场中模拟真实投资者的行为与交互。具体而言，研究首先在微观层面引入“信念—愿望—意图”（BDI）结构，将每个智能体的决策过程拆解为对市场信息的感知、内部信念更新、投资愿望形成以及最终交易意图执行四个连续环节，并通过提示工程让LLM自主完成这一链条，使智能体能够像真实投资者一样读取新闻、查询公告、浏览社交帖子、检索技术指标。其次，在宏观层面构建动态异质社交图，以用户历史交易序列的加权Jaccard相似度为边权，让智能体通过论坛帖子进行信息交换；同时引入时间衰减机制，使网络结构随交易行为变化而实时演化，从而再现“意见领袖”涌现与信息级联现象。
TwinMarket：基于LLM的多智能体金融市场行为与社交互动闭环示意图
本图以“世界—市场—知识—行动”四层环状结构直观呈现了TwinMarket多智能体仿真框架的完整信息流动与决策闭环：最外层“World”代表外部真实环境，源源不断产生新闻、公告与行情数据；向内第二层“Market”是虚拟撮合市场，智能体在此提交买单、卖单或持有指令，形成价格并返回交易结果；第三层“Knowledge”是每位智能体的认知空间；最内层“Action”则把意图转化为可执行动作——既包括交易层面，也包括社交层面。动作产生的新数据即时反馈到市场环境，改变价格与舆论，打破原有均衡，触发信念修正与行为模仿。整幅图的核心思想是：LLM驱动的异质智能体在动态社交网络中持续“感知—认知—决策—交互—再感知”，无需预设宏观规则即可自下而上地生成真实市场的典型化事实与群体行为。
TwinMarket 微观心智-宏观市场闭环联动示意图
本图以左右对称的“微观—宏观”双视角，展示了 TwinMarket 如何把个体投资者的心智活动与整个市场的信息—价格—社交网络耦合在一起。左侧（a）聚焦“用户”：从初始化画像出发，投资者每日先读取被推荐的新闻高亮与帖子，在信念模块里完成“自我评估+信息吸收”后更新对市场的五维认知；新的信念与个体欲望结合生成当日意图，意图驱动其在订单撮合系统中发出买/卖/持有指令，交易结果立刻反馈到个人持仓并沉淀为新的历史数据，供次日再循环。右侧（b）拉升到“系统”层面：所有订单在同一订单簿里集中撮合，形成股票指数价格；价格、成交量与新闻、公告一起被纳入实时环境信息，经推荐算法再次分发给不同用户，同时根据最新交易行为重新计算用户间相似度，动态修剪或加强社交网络的边权，实现“网络结构—信息流动—价格变动”的共生演化。
2023年6月→10月投资者行业偏好迁移弦图
本图把两次快照（2023-06-20 与 2023-10-20）的投资者行业偏好演化可视化：每一条彩带代表一名用户，其颜色对应他在当期最重仓的十大行业之一，带子的粗细直接正比于该用户在该行业的资金权重；当同一条带子从 6 月连到 10 月时，若颜色发生切换，即可一眼看出该投资者把筹码从旧行业迁往了新赛道。更细的线条则揭示出少数用户分散到“交运物流”“基建”“旅游服务”等冷门行业的痕迹。通过同一批用户在不同时间点的颜色—粗细变化，图像无需任何文字即可同时呈现“个体调仓路径”与“群体风格漂移”：左侧的密集蓝绿簇在右侧被金黄深棕切割、稀释，直观再现了政策预期、盈利比较与情绪传染驱动下的行业轮动与资金再平衡。
实验
该表格横向贯通了 TwinMarket 从“用户画像—交易记录—市场数据—世界知识”四大环节的完整数据供应链，形成一条“真实→仿真→再真实”的闭环：左侧以雪球 639 名真实用户及其 1.2 万条交易流水为种子，通过统计建模把性别、地域、行为偏差等特征注入虚拟角色，完成“用户画像初始化”。中间层调用 CSMAR 全年日线，为 50 只核心成分股提供逐日估值、财务与技术因子，确保仿真撮合产生的价差不会脱离基本面锚。最右侧把新浪、10jqka、CNINFO 三大公开信源全年 104 万条新闻与公告灌入“世界知识库”，智能体在运行时可像真人一样按关键词检索、读取标题并生成情绪，实现信息冲击的即时传导。四条数据流时间对齐、颗粒互补，使 1000 名 LLM 智能体在没有任何外生规则的前提下，就能自发复现出与 2023 年真市相同的情绪拐点、行业轮动与波动聚集。
如何学习AI大模型？
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 学习和面试资料已经上传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】
第一阶段：从大模型系统设计入手，讲解大模型的主要方法；
第二阶段：在通过大模型提示词工程从Prompts角度入手更好发挥模型的作用；
第三阶段：大模型平台应用开发借助阿里云PAI平台构建电商领域虚拟试衣系统；
第四阶段：大模型知识库应用开发以LangChain框架为例，构建物流行业咨询智能问答系统；
第五阶段：大模型微调开发借助以大健康、新零售、新媒体领域构建适合当前领域大模型；
第六阶段：以SD多模态大模型为主，搭建了文生图小程序案例；
第七阶段：以大模型平台应用与开发为主，通过星火大模型，文心大模型等成熟大模型构建大模型行业应用。
👉学会后的收获：👈
• 基于大模型全栈工程实现（前端、后端、产品经理、设计、数据分析等），通过这门课可获得不同能力；
• 能够利用大模型解决相关实际项目需求： 大数据时代，越来越多的企业和机构需要处理海量数据，利用大模型技术可以更好地处理这些数据，提高数据分析和决策的准确性。因此，掌握大模型应用开发技能，可以让程序员更好地应对实际项目需求；
• 基于大模型和企业数据AI应用开发，实现大模型理论、掌握GPU算力、硬件、LangChain开发框架和项目实战技能， 学会Fine-tuning垂直训练大模型（数据准备、数据蒸馏、大模型部署）一站式掌握；
• 能够完成时下热门大模型垂直领域模型训练能力，提高程序员的编码能力： 大模型应用开发需要掌握机器学习算法、深度学习框架等技术，这些技术的掌握可以提高程序员的编码能力和分析能力，让程序员更加熟练地编写高质量的代码。
1.AI大模型学习路线图
2.100套AI大模型商业化落地方案
3.100集大模型视频教程
4.200本大模型PDF书籍
5.LLM面试题合集
6.AI产品经理资源合集
👉获取方式：
😝有需要的小伙伴，可以保存图片到wx扫描二v码免费领取【保证100%免费】🆓
)
