StockAgent: شبیه‌سازی پیشرفته معاملات سهام با استفاده از عامل‌های هوش مصنوعی مبتنی بر LLM

پروژه StockAgent یک سیستم شبیه‌سازی مالی پیشرفته و چندعاملی است که با هدف مطالعه و تحلیل رفتار سرمایه‌گذاران و پویایی بازار سهام در پاسخ به عوامل خارجی طراحی شده است. این سیستم از قدرت مدل‌های زبان بزرگ (LLM) مانند سری GPT یا Gemini برای جان بخشیدن به عامل‌های هوشمند (requirements) استفاده می‌کند که هر کدام نقش یک سرمایه‌گذار با شخصیت و استراتژی معاملاتی منحصر به فرد (محافظه‌کار، تهاجمی، متعادل و…) را در یک محیط بازار سهام شبیه‌سازی شده ایفا می‌کنند.

نحوه کارکرد:

• محیط شبیه‌سازی: یک بازار سهام مجازی با دو نوع سهام (A و B)، نرخ‌های بهره وام متغیر، گزارش‌های مالی فصلی برای شرکت‌ها و رویدادهای ویژه (مانند تغییرات سیاست‌های پولی) تعریف شده است. شبیه‌سازی در طول یک دوره زمانی مشخص (مثلاً 264 روز معاملاتی با 3 جلسه در روز) اجرا می‌شود.
• عامل‌های هوشمند (Agents): هر عامل با مقدار اولیه‌ای از دارایی (پول نقد و سهام) و بدهی احتمالی شروع به کار می‌کند. این عامل‌ها با استفاده از LLM انتخاب شده (مانند gemini-pro یا مدل‌های GPT)، تصمیمات معاملاتی خود را اتخاذ می‌کنند. این تصمیمات شامل خرید یا فروش سهام A یا B، گرفتن وام با نرخ‌ها و سررسیدهای مختلف، و حتی ارسال پیام در یک تالار گفتگوی مجازی برای تبادل نظر با سایر عامل‌ها است.
• تعاملات و تصمیم‌گیری: عامل‌ها بر اساس اطلاعات دریافتی مانند قیمت فعلی سهام، گزارش‌های مالی فصلی شرکت‌ها، پیام‌های سایر عامل‌ها در تالار گفتگو و رویدادهای اقتصادی کلان (مانند تغییر نرخ بهره) تصمیم‌گیری می‌کنند. آن‌ها همچنین قادر به پیش‌بینی اقدامات احتمالی خود در روز معاملاتی بعدی هستند.
• مدیریت و اعتبارسنجی: یک “منشی” (Secretary) هوشمند وظیفه بررسی و اعتبارسنجی فرمت و منطق تصمیمات گرفته شده توسط عامل‌های LLM را بر عهده دارد تا اطمینان حاصل شود که اقدامات آن‌ها (مانند میزان خرید، فروش یا وام) با قوانین محیط شبیه‌سازی و دارایی‌های خودشان سازگار است.
• ثبت داده‌ها: تمامی تراکنش‌ها، تغییرات قیمت سهام، وضعیت دارایی عامل‌ها، تصمیمات وام‌گیری و پیش‌بینی‌های آن‌ها به صورت دقیق در فایل‌های Excel ثبت می‌شود تا امکان تحلیل جامع نتایج شبیه‌سازی فراهم گردد.

اهداف پروژه:

• بررسی تاثیر عوامل خارجی (مانند اقتصاد کلان، سیاست‌های پولی، گزارش‌های بنیادی شرکت‌ها و رویدادهای جهانی) بر رفتار معاملاتی سرمایه‌گذاران و نوسانات قیمت سهام.
• ارائه یک پلتفرم برای ارزیابی عملکرد مدل‌های زبان بزرگ مختلف در نقش عامل‌های مالی.
• جلوگیری از مشکل “نشت داده‌های مجموعه آزمون” (Test Set Leakage) که در برخی سیستم‌های شبیه‌سازی مالی مبتنی بر هوش مصنوعی وجود دارد، به این معنی که مدل از دانش قبلی خود درباره داده‌های آزمون استفاده نکند.
• فراهم کردن بینش‌های ارزشمند برای توسعه سیستم‌های مشاوره سرمایه‌گذاری و پیشنهاد سهام مبتنی بر LLM.

فناوری‌های کلیدی:

• Python
• مدل‌های زبان بزرگ (OpenAI GPT, Google Gemini)
• کتابخانه‌های: Pandas, OpenAI API, Google Generative AI API, Tiktoken, Requests
• سیستم ثبت لاگ و داده‌ها در فایل‌های Excel