TwinMarket利用AI大模型构建千人规模虚拟金融市场，成功复现人类投资行为和宏观涌现现象，为理解复杂社会经济系统提供新的“数字沙盘”。
原文标题：NeurIPS 2025｜当AI学会"炒股"：用千个虚拟投资者重现金融市场涌现现象
原文作者：机器之心
冷月清谈：
TwinMarket 的核心在于其范式转变：从预设规则的“刺激-反应”模式转向基于“信念-愿望-意图”（BDI）的认知推理框架。这个三层结构让虚拟投资者能够理解世界（Belief）、设定目标（Desire），并据此制定行动（Intention），每次行动后还能进行自我反思和认知更新。不同于传统模型的行为同质化和社交互动缺失，TwinMarket通过逼真的用户画像初始化（基于雪球平台真实数据提取的投资风格和行为偏差），以及实时接收新闻、公司公告、社交媒体热帖等市场信息，构建了一个高度仿真的市场环境。其订单驱动的交易系统严格遵循A股规则，使得价格完全由供需关系内生决定，确保了市场动态的真实性。
在微观验证层面，TwinMarket揭示了与真实市场惊人相似的现象：财富不平等会自发形成并持续扩大，且交易越频繁的智能体收益往往越差。这表明AI不仅学会了决策，更再现了人类在金融市场中的非理性模式。在宏观层面，模拟成功复现了真实金融市场的四大“风格化事实”：包括价格变动的肥尾分布、价格下跌后波动率更大的杠杆效应、量价关系（高成交量伴随价格剧烈波动）和波动率聚集。这些均非预设结果，而是LLM智能体基于BDI框架进行异质性信息处理和社交互动后自然涌现的集体行为。
最引人入胜的是，TwinMarket揭示了从个体偏见到集体疯狂的“涌现分析”。它观测到了典型的“泡沫-崩盘”周期，并以谣言传播实验证明了信息在社交网络中通过意见领袖放大、形成回音室效应和极化涌现，能够引发市场指数的暴跌，完美解释了真实市场中非理性行为的传播机制。该平台还具备强大的可扩展性，能在千人规模下稳定运行并保持与真实市场的高相关性。
TwinMarket的价值远不止于模拟，它为行为金融学提供了“数字沙盘”，能用于理论验证、政策评估和风险探索，甚至连接了AI与社会科学。它像一把“显微镜”，让研究者能以前所未有的精度观察、理解复杂社会经济系统的运行机制。未来，TwinMarket计划深化市场机制与资产类别、引入宏观经济与监管互动，并探索在政治选举、公共卫生等其他社会科学领域的应用。当AI学会“炒股”，它学到的不仅是技巧，更是人类社会运作的深层逻辑，这或许是人工智能通向真正智能的必经之路。
怜星夜思：
2、文章里特别提到了TwinMarket能模拟出“财富不平等”和“过度交易惩罚”，这和我们现实世界简直一模一样。那么问题来了，这种AI模拟对金融监管机构或者我们制订个人投资策略有什么新的启发呢？我们能利用这些洞察来“驯服”市场的狂野吗？
3、TwinMarket最核心的创新是引入了“信念-愿望-意图”（BDI）的认知框架来驱动AI智能体。这套框架让AI能像人一样“思考”。除了金融市场，你们觉得这种LLM+BDI的结合，还能在哪些社会科学研究领域发挥巨大作用？有没有什么潜在的局限性？
原文内容
市场不是机器，而是人群；不是公式，而是故事。TwinMarket让AI学会讲述这些故事。
1994年，美国圣塔菲研究所（Santa Fe Institute）推出了一个野心勃勃的项目：人工股票市场（Artificial Stock Market）。研究者们想知道，如果让一群遵循简单规则的"电子交易者"在虚拟市场中买卖，能否重现真实市场的复杂动态？
实验确实观察到了价格波动和群体行为，但也暴露出根本性困境：真实的人类并不是规则机器。我们会因为昨天的盈利而过度自信，会被社交媒体上的"小道消息"左右判断，会在恐慌时集体抛售——这些认知偏差、情绪波动、社交影响，恰恰是传统Agent-Based Models（ABM）最难捕捉的部分。
三十年后，大语言模型（LLM）的出现重新点燃了希望。如果AI能理解语言、模拟情绪、展现偏见，它们能否成为更真实的"虚拟人"？
正是带着这个问题，香港中文大学（深圳）与南京大学的研究者推出了TwinMarket——一个用LLM驱动的千人规模金融市场仿真平台。论文题为"TwinMarket: A Scalable Behavioral and Social Simulation for Financial Markets"，系统性地探索了个体如何通过互动汇聚成群体狂热，微观决策如何引发宏观危机。
目前，该工作已被 NeurIPS 2025 接收，并荣获 ICLR 2025 Financial AI Workshop 的 Best Paper Award。
从规则到认知：
金融市场模拟的范式转变
传统的市场模拟方法主要依赖预设规则：给定价格信号，执行买卖操作。这种"刺激-反应"模式虽然简洁，却存在三大根本性局限：
第一，行为同质化。真实市场中，有人看重基本面分析，有人迷恋技术指标；有人果断止损，有人死扛亏损。但规则模型往往假设"标准投资者"，难以刻画这种异质性。
第二，社交互动缺失。现代投资者不是孤岛——他们在社交媒体上交流观点、相互影响。一条谣言可能引发抛售潮，一个意见领袖可能带动羊群效应。但传统模型很难建模这种复杂的信息传播网络。
第三，认知过程黑箱化。我们能看到模型的输入输出，却无法理解"为什么这么决策"。是基于理性分析，还是受情绪驱动？这种不可解释性限制了模型的科学价值。
TwinMarket 提出了全新的解决方案——用大语言模型构建具有"人性"的虚拟投资者，让它们在真实数据驱动的市场中交易、互动、进化。
BDI框架：让AI像人一样思考
TwinMarket的核心创新是引入了Belief-Desire-Intention（信念-愿望-意图）认知框架。这不是简单的技术选择，而是一次范式转变：从"规则匹配"到"认知推理"。
三层认知结构
Belief（信念层）：智能体如何理解世界？
Desire（愿望层）：智能体想要什么？
Intention（意图层）：智能体最终做什么？
每次行动后，智能体会进行自我反思：
- 这次决策合理吗？
- 市场反馈如何？
- 我的信念需要调整吗？
这种反思机制赋予AI "学习能力"——不是通过梯度下降，而是通过认知更新。
扎根真实：数据驱动的仿真环境
TwinMarket不是空中楼阁，而是深度扎根于真实数据的模拟系统。
用户画像初始化
研究者从雪球平台收集了639个真实投资者的交易记录（11,965笔交易），提取关键特征：
人口统计属性：
- 性别、地域、社交影响力（粉丝数）
投资风格：
- 基本面分析派（40%）：关注估值、财报、宏观经济
- 技术分析派（60%）：追踪K线、均线、成交量
行为偏差（基于实际交易记录量化）：
- 处置效应：过早卖出盈利股票，长期持有亏损股票
- 彩票偏好：偏好高波动、低概率大收益的资产
- 过度集中：投资组合缺乏分散化
- 过度交易：换手率远高于理性水平
这些特征被编码为智能体的"人格特质"。例如，一个"技术派+高处置效应+过度交易"的智能体，其系统提示可能包含：
你是一名位于湖北的男性投资者，活跃于雪球社区。你的交易行为表现出明显模式：快速卖出涨幅超过10%的资产锁定利润，但倾向于持有甚至加仓亏损投资，往往忽视过度集中的风险。虽然彩票型资产偶尔吸引你的注意，但它们很少影响你的整体策略。
市场环境构建
每个交易日，智能体都会接收：
- 当天的新闻热点（经济、政策、行业）
- 公司公告（业绩预告、重组信息）
- 股票数据（价格、成交量、估值指标）
- 社交媒体热帖（根据个人网络推送）
就像真实投资者浏览财经网站和社交平台一样。
订单驱动交易系统
模拟采用集合竞价机制，严格遵循中国A股规则：
- 智能体提交限价订单（买入/卖出，价格，数量）
- 系统按"价格优先、时间优先"原则撮合成交
- 涨跌幅限制±10%
关键特性：价格是由供需关系内生决定的，而非外部给定。这确保了市场动态的真实性——如果所有智能体同时看多科技股，价格就会被推高；如果谣言引发恐慌，价格就会暴跌。
微观验证：AI真的展现出人性了吗？
当我们赋予智能体真实的认知框架与社交互动能力后，它们在市场中交流、博弈、学习的过程中，是否也会自发地形成类似人类社会的集体行为模式？
在微观层面，TwinMarket 的模拟揭示出两个耐人寻味的现象：
首先，财富不平等会自发形成并持续扩大。
在完全公平、无外部干预的虚拟市场中，随着交易的进行，Gini 系数不断上升，Top 10% 智能体的财富份额阶梯性增长，而 Bottom 50% 的份额逐渐下降。这意味着，即便所有智能体遵循相同规则、面对同样信息，市场也会自然分化出“赢家”和“输家”。这种差距的产生并非由算法设定，而是源于智能体间微小的认知差异、信息路径和社交互动在时间中被放大，最终形成结构性不平等——与现实经济中“富者愈富”的动力机制惊人相似。
其次，越频繁地交易，收益往往越差”。
实验数据显示，表现最好的 10% 智能体交易频率更低、平均回报为正；而交易最频繁的 50% 群体却录得负收益。即使不计入交易成本，这种“过度交易惩罚”依然存在，反映出典型的人类行为偏差：过度自信、短期情绪驱动和对即时刺激的过敏反应。换言之，TwinMarket 中的 AI 不仅学会了做决策，更重现了人类在金融市场中的非理性模式。
从这两个现象中，我们看到的不是简单的数据拟合，而是一种行为层面的“共鸣”：当智能体被赋予信念、愿望与意图（BDI）结构后，它们开始呈现出类似人类的社会分化与认知误差。这或许正是 AI “展现人性”的最有力证据——理性只是起点，非理性才构成真实的世界。
宏观验证：复现金融市场的"DNA"
研究者选择了四个著名的"Stylized Facts"（风格化事实）——真实市场普遍展现、但传统模型难以同时复现的统计特征进行检验，并发现TwinMarket成功复现。
风格化事实I：肥尾分布
真实市场的价格变动呈现"尖峰厚尾"：大部分时间波动很小，但极端涨跌比正态分布预测的更频繁。
模拟数据成功捕捉了"黑天鹅频发"的特征——这源于智能体基于BDI框架的异质性信息处理：当好消息出现时，不同智能体反应不同（有人看到机会，有人担心过热）；当坏消息出现时，更容易形成一致性恐慌。
风格化事实II：杠杆效应
真实市场中，价格下跌后波动率往往更大（"坏消息比好消息更影响市场"）。
散点图清晰显示：当前的负收益（x轴）与下一期的负收益（y轴）呈现正相关——跌了还会继续跌。这反映了LLM智能体的损失厌恶偏见：亏损时更敏感、更容易恐慌。
风格化事实III：量价关系
价格大幅变动往往伴随成交量激增——反映集体行为的涌现。
散点图显示，无论模拟还是真实数据，成交量增加时价格波动也加大——这是羊群效应的直接证据：当大量智能体同时做出相同决策时，市场就会剧烈波动。
风格化事实IV：波动率聚集
高波动期往往持续一段时间，低波动期也是如此——"暴风骤雨"和"风平浪静"都会成群出现。
时序图清晰展示：模拟市场和真实市场都呈现明显的波动聚集——一段时间剧烈波动，另一段时间相对平静。这源于信念的持续性：一旦市场进入恐慌状态，负面信息会在社交网络中持续传播，延长高波动期。
涌现分析：从个体偏见到集体疯狂
TwinMarket最引人入胜的部分，是它揭示了微观行为如何放大为宏观危机。
自我实现的预言
研究者观察到一个典型的"泡沫-崩盘"周期：
1. 初期乐观：少数智能体看好某板块，开始买入
2. 价格上涨：买入推高价格，更多智能体看到"涨势"
3. 信念强化：价格上涨反过来增强乐观信念（"果然我是对的！"）
4. 群体狂热：信念与价格形成正反馈，脱离基本面
5. 泡沫破裂：终于有人意识到"太贵了"，开始抛售
6. 恐慌踩踏：价格下跌引发更多抛售，螺旋式下跌
实验数据显示，市场真的由"集体想象"驱动。
谣言传播实验
为了测试信息的放大效应，研究者做了一个对照实验：
- 对照组：正常新闻
- 实验组：向高影响力用户注入负面谣言（如"龙头企业即将破产"）
结果触目惊心：
- 用户信念得分下降27.5%
- 卖出/买入比例从0.495飙升至0.997
- 市场指数暴跌，而对照组保持稳定
更深层的机制是：
- 意见领袖放大：高中心度用户的帖子获得更多转发，谣言迅速传播
- 回音室效应：相似交易风格的用户聚集成社群，内部观点相互强化
- 极化涌现：网络社群间的差异扩大，形成对立阵营
这完美解释了为何真实市场中，一则未经证实的消息能引发千亿市值蒸发。
可扩展性：从百人到千人的市场
TwinMarket不仅能模拟小规模市场，更展现了强大的可扩展性。
研究者进行了不同规模的实验（10%、20%、40%、80%活跃度），发现：
- 交易量与活跃度线性增长：更多参与者带来更高流动性
- 预测误差持续下降：从80%活跃度的RMSE=0.01，到10%的0.04
- 涌现现象依然稳定：无论规模如何，肥尾分布、波动聚集等特征始终存在
在1000个智能体的大规模实验中，系统运行5个月（150个交易日），依然保持：
- 与真实市场价格走势的高相关性
- 完整的微观-宏观因果链
这证明TwinMarket不是"玩具模型"，而是具备实际研究价值的平台。
在文章中，也设置了消融实验，验证了BDI模拟认知的架构对投资者异质性建模有着关键的作用。
从模拟到洞察：
TwinMarket的应用潜力与价值
TwinMarket的意义远超"做个漂亮的Demo"——它为理解复杂社会经济系统提供了新的方法论工具。
理论验证：为行为金融学提供“数字沙盘”
传统研究依赖对历史数据的观察，难以精确分离变量并建立因果关系。TwinMarket提供了一个可控的实验环境，使得研究者可以系统性地检验理论假设。例如：
- 通过调整社交网络密度，量化“羊群效应”的形成阈值。
- 通过注入不同类型的虚假信息，研究情绪在市场中的传染路径。
- 通过模拟不同的交易规则（如涨跌停板、T+1制度），评估其对市场稳定性的影响。
这就像给经济学家一个"模拟宇宙"，可以反复试验、对比分析。
政策评估：探索监管措施的潜在影响
在真实市场试错成本极高。TwinMarket为政策制定者提供了一个低成本的“预演”平台，用于评估不同监管措施可能带来的市场反应：
- 调整涨跌停板限制，会如何影响短期波动率与长期流动性？
- 收紧或放宽融资融券政策，对市场杠杆和泡沫风险有何影响？
- 加强信息披露要求，能否有效缓解由信息不对称引发的过度投机？
通过在虚拟环境中对比多种方案，有助于筛选出更稳健的政策选项。
风险探索：发掘系统性风险的微观前兆
通过分析模拟数据中的集体行为模式，TwinMarket有潜力帮助识别真实市场中难以察觉的风险信号。这些潜在的“微观前兆”可能包括：
- 社交网络中特定社群的观点极化程度是否在短期内急剧上升。
- 关键意见领袖的观点是否趋于高度一致，形成“虚假共识”。
- 不同投资群体间的交易行为相似度是否异常增加，预示着“羊群聚集”。
这些微观信号可能比传统指标更早预示系统性风险。
跨学科探索：连接AI与社会科学的桥梁
TwinMarket展示了LLM在社会科学研究中的巨大潜力：
- 提升可解释性：通过BDI框架，研究者可以追踪智能体的决策逻辑，打开了传统模型的“黑箱”。
- 拓展研究边界：其框架具备向其他复杂系统（如舆论传播、公共卫生决策）迁移的潜力。
- 促进可重复性：开源的代码和框架为学术界提供了可验证、可迭代的研究基础。
未来展望：深化与拓展
研究者也认识到当前工作的局限，并规划了未来的发展方向，旨在构建一个更真实、更全面的模拟环境。
深化市场机制与资产类别
未来的工作将致力于丰富市场机制，如引入连续竞价、T+0交易及做空机制，并扩展到多资产类别，如债券、外汇市场，以构建一个更全面的金融生态。
引入宏观经济与监管互动
计划将中央银行、监管机构等宏观主体作为拥有特定目标的“超级智能体”引入系统，以模拟货币政策传导、监管干预等更复杂的宏观-微观联动效应。
探索长期演化与跨领域应用
在延长模拟时间尺度的基础上，探索模型在其他社会科学领域的适用性，如模拟政治选举中的选民观点演化、公共卫生事件中的信息扩散与行为响应等。
结语：
当AI成为社会科学的"显微镜"
300年前，显微镜让人类第一次看到细胞；100年前，粒子加速器让我们看到原子内部。今天，TwinMarket展示了AI如何成为社会科学的"显微镜"——让我们能以前所未有的精度，观察、理解、预测复杂社会系统的运行机制。
金融市场只是起点。当成千上万个具备认知能力的AI智能体在虚拟社会中互动、学习、涌现，我们或许能解答那些困扰人类千年的问题：
- 理性个体如何导致集体非理性？
- 局部互动如何产生全局秩序？
- 微小扰动如何引发系统崩溃？
TwinMarket的贡献不仅是"模拟了一个市场"，更是证明了一种可能性：AI不仅能理解自然规律，也能理解社会规律；不仅能优化算法，也能揭示人性。
当AI学会"炒股"，它学到的不仅是买卖技巧，更是人类社会运作的深层逻辑。而这，或许才是人工智能通向真正智能的必经之路。
作者介绍
该工作共有三位共同一作。
1. Yuzhe Yang(阳雨哲）
香港中文大学（深圳）大四本科生阳雨哲（Yuzhe Yang），主要研究方向为Human-AI Interaction, Social NLP, Agent。曾在NeurIPS, NAACL, EMNLP, ICCV 发表论文。
Homepage: https://yuzheyang.com/
2. Yifei Zhang(张逸飞）
南京大学研二学生张逸飞，主要研究方向为Narrative Economics, Financial LLMs, Autonomous Agent。曾在NeurIPS, ICLR, NAACL发表或宣读论文。
Homepage: https://hoder-zyf.github.io/
3. Minghao Wu(吴铭昊）
目前为香港中文大学（深圳）数据科学学院博士一年级在读生，研究方向为LLMs社会模拟与医疗大模型。本工作完成于作者攻读南京大学金融硕士学位期间。
论文信息
Paper:
TwinMarket: A Scalable Behavioral and Social Simulation for Financial Markets
Authors:
Yuzhe Yang*, Yifei Zhang*, Minghao Wu*, Kaidi Zhang, Yunmiao Zhang, Honghai Yu†, Yan Hu†, Benyou Wang†
Affiliations:
香港中文大学（深圳）· 南京大学 · 江苏省数字金融重点实验室
Project Page:
https://freedomintelligence.github.io/TwinMarket
Paper Link:
https://arxiv.org/pdf/2502.01506
Github Page:
https://github.com/freedomintelligence/TwinMarket
© THE END
转载请联系本公众号获得授权
投稿或寻求报道：liyazhou@jiqizhixin.com