基于 LLM-Agent 的金融市场羊群效应仿真系统
HerdLLM 是一个基于大语言模型 (LLM) 的多智能体金融市场仿真系统。通过让 LLM 扮演具有不同人格的交易者，在社交网络中交互决策，研究噪声交易与羊群效应的微观形成机制。
核心能力：LLM 驱动的 Agent 决策 · 记忆反思与经验学习 · BA 无标度社交网络 · 2×2 对照实验 · Stylized Facts 验证 · 真实市场基准对比
基于 30 Agent × 100 轮 × 15 次 Monte Carlo 的 2×2 对照实验：
| 指标 | Baseline | Full (Memory+Social) | 变化 |
|---|---|---|---|
| Return Kurtosis | 0.81 ± 0.44 | 5.87 ± 3.90 | ↑ 7.2× |
| Herding Ratio | 74.7% ± 4.9% | 86.7% ± 5.9% | +12.0pp |
| Hurst Exponent | 0.92 ± 0.10 | 0.85 ± 0.14 | -0.07 |
| Volatility | 0.353% | 0.190% | -46% |
关键发现：
- 社交网络显著增强了收益率分布的厚尾特性（Kurtosis 提升 7.2 倍）
- 羊群效应在引入社交网络后显著增强（+10-12pp）
- 激进型 Agent 在所有条件下收益均优于保守型（+3.7% vs +3.3%）
左：各条件 Hurst 指数对比 | 右：收益率分布与 QQ 图
左：LSV 羊群指标分析 | 右：BA 无标度社交网络结构
左：Stylized Facts 金融典型事实验证 | 右：与真实市场 (SPY) 对比
实验共生成 14 张分析图表，完整列表见 results/figures/。
噪声交易与羊群效应的微观起源是什么？
传统金融理论假设投资者理性，但实证研究表明市场中存在显著的噪声交易和羊群行为。本项目通过 Agent-Based Model (ABM) 从微观层面研究这些现象的形成机制。
| 理论 | 核心观点 | 本项目对应 |
|---|---|---|
| 噪声交易者理论 (De Long et al., 1990) | 非理性交易者影响价格 | LLM-Agent 的有限理性决策 |
| 羊群行为理论 (Banerjee, 1992) | 信息级联导致从众 | 社交网络中的行为传播 |
| 行为金融学 (Kahneman & Tversky, 1979) | 认知偏差影响决策 | 记忆模块的经验反思 |
| 复杂系统理论 | 微观交互涌现宏观模式 | ABM 仿真框架 |
采用线性价格影响函数：
其中
每个 Agent 维护最近 20 条决策记录（回合、新闻、操作、盈亏等）。在新决策时，系统检索相似历史经验，生成反思 Prompt，例如：
"你回顾历史，发现在类似利空新闻下，上次卖出后亏损了 $50。请谨慎决策。"
使用 Barabási-Albert (BA) 模型 生成无标度网络（$n$ 个节点，每个新节点连接
基于 Ollama 本地大模型（默认 qwen2.5:7b），Prompt 由四部分构成：
- System Prompt：人格定义 + 交易规则
- 市场状态：当前价格、趋势
- 历史反思：记忆模块检索的相似经验
- 社交情绪：邻居的行为分布
输出格式：JSON {action, quantity, reason}
git clone https://github.com/Candy-A-Mine/HerdLLM.git
cd HerdLLM
poetry install
# 安装并启动 Ollama，下载模型
ollama serve
ollama pull qwen2.5:7b# 演示模式（默认）- 20 Agent, 15 轮
poetry run python main.py
# 快速测试
poetry run python main.py --mode quick
# 标准实验 - 完整 4 条件对照
poetry run python main.py --mode standard
# 自定义参数
poetry run python main.py --mode custom --agents 50 --rounds 100 --runs 30
# 基于已有结果生成图表
poetry run python main.py --mode figuresLLM 配置默认连接 localhost:11434，可在 src/config.py 中修改。
| 模式 | Agent数 | 回合数 | Monte Carlo | 实验条件 | 用途 |
|---|---|---|---|---|---|
| demo | 20 | 15 | 1 | FULL | 功能演示 |
| quick | 20 | 15 | 3 | 2 种 | 快速调试 |
| standard | 50 | 100 | 30 | 全部 4 种 | 正式实验 |
| custom | 自定义 | 自定义 | 自定义 | 自定义 | 灵活配置 |
| figures | - | - | - | - | 生成图表 |
本次毕业论文实验配置：
--mode custom --agents 30 --rounds 100 --runs 15（受算力限制采用精简参数）。
更多 API 用法和数据格式详见 docs/API_REFERENCE.md。
研究记忆和社交网络对市场行为的影响：
社交网络
禁用 启用
┌────────┬────────┐
禁用 │BASELINE│SOCIAL_ │
记 │ │ ONLY │
忆 ────────┼────────┼────────┤
启用 │MEMORY_ │ FULL │
│ ONLY │ │
└────────┴────────┘
| 条件 | 记忆 | 社交网络 | 研究目的 |
|---|---|---|---|
| BASELINE | ✗ | ✗ | 对照组：纯 LLM 决策 |
| MEMORY_ONLY | ✓ | ✗ | 研究个体学习效应 |
| SOCIAL_ONLY | ✗ | ✓ | 研究羊群效应 |
| FULL | ✓ | ✓ | 研究协同效应 |
每个条件运行多次 Monte Carlo 仿真，计算均值、标准误和 95% 置信区间。
系统支持 4 种人格类型，实验中采用二元分布（各 50%）：
| 人格类型 | 行为特征 | 实验配置 |
|---|---|---|
| 保守型 (Conservative) | 风险厌恶，倾向持有 | 15 (50%) |
| 激进型 (Aggressive) | 风险偏好，积极交易 | 15 (50%) |
| 趋势跟随型 (Trend_Follower) | 追涨杀跌，动量策略 | 未启用 |
| 羊群型 (Herding) | 跟随同伴，从众行为 | 未启用 |
完整系统支持 4 种人格的任意组合，可在
src/config.py中配置。
- Stylized Facts 验证：检验厚尾特性、波动聚集、长记忆性三项金融典型事实，详见
docs/STYLIZED_FACTS.md - 真实市场对比：与 SPY（标普500 ETF）进行多维度对比，含相似度评分（0-100 分 + A/B/C/D 评级），详见
docs/API_REFERENCE.md
HerdLLM/
├── main.py # 主程序入口
├── pyproject.toml # Poetry 依赖配置
├── poetry.lock # 锁定的依赖版本
├── LICENSE
├── dataset/
│ └── news_events.json # 新闻事件数据集
├── src/
│ ├── agent.py # TraderAgent 交易智能体
│ ├── market.py # Market 市场价格形成
│ ├── memory.py # AgentMemory 记忆模块
│ ├── social_network.py # SocialNetwork BA网络
│ ├── llm_client.py # LLMClient Ollama通信
│ ├── config.py # 实验配置
│ ├── experiment.py # 实验运行框架
│ ├── metrics.py # 金融指标计算
│ ├── stylized_facts.py # Stylized Facts 验证
│ ├── real_market_benchmark.py # 真实市场基准对比
│ ├── visualization.py # 可视化模块
│ ├── generate_figures.py # 独立图表生成
│ └── analysis.py # 统计分析
├── docs/
│ ├── UML_CLASS_DIAGRAM.md # UML 类图
│ ├── API_REFERENCE.md # API 参考与数据格式
│ └── STYLIZED_FACTS.md # Stylized Facts 详细说明
└── results/
└── figures/ # 可视化图表（14 张）
main.py → config.py, experiment.py, visualization.py
experiment.py → agent.py, market.py, metrics.py
agent.py → llm_client.py, memory.py, social_network.py
完整 UML 类图和数据流图见
docs/UML_CLASS_DIAGRAM.md。
| 类别 | 技术 | 用途 |
|---|---|---|
| 语言 | Python 3.11+ | 主语言 |
| 包管理 | Poetry | 依赖管理 |
| LLM | Ollama + OpenAI SDK | 本地大模型 |
| 网络 | NetworkX | 社交网络建模 |
| 数据 | Pandas + PyArrow | 数据处理 |
| 计算 | NumPy + SciPy | 数值计算 |
| 可视化 | Matplotlib + Seaborn | 图表生成 |
| 金融数据 | yfinance | 真实市场数据 |
如果本项目对您的研究有帮助，请引用：
@software{herdllm,
title = {HerdLLM: LLM-Agent Based Financial Market Herding Simulation},
author = {SuZX},
year = {2025},
url = {https://github.com/Candy-A-Mine/HerdLLM}
}- Cont, R. (2001). Empirical properties of asset returns: stylized facts and statistical issues. Quantitative Finance, 1(2), 223-236.
- De Long, J. B., et al. (1990). Noise trader risk in financial markets. Journal of Political Economy, 98(4), 703-738.
- Barabási, A. L., & Albert, R. (1999). Emergence of scaling in random networks. Science, 286(5439), 509-512.
- Banerjee, A. V. (1992). A simple model of herd behavior. The Quarterly Journal of Economics, 107(3), 797-817.
MIT License — 详见 LICENSE 文件
HerdLLM — 探索金融市场的微观世界