TwinMarket：LLM驱动的股票市场多智能体仿真系统

2025年4月，一个来自深圳港中文大学和南京大学的研究团队，在 ICLR 2025 金融 AI 研讨会上捧走了最佳论文奖。他们的获奖研究名为 TwinMarket——一个用大语言模型（LLM）模拟股票市场多主体行为的开源框架。同年9月，该成果又收到了 NeurIPS 2025 的录用通知。一年时间，一篇论文从获奖到顶会，技术影响力可见一斑。

从"机器人炒股"说起：为什么这件事很难

很多人对"AI炒股"的第一反应是：找个神经网络预测股价，然后自动下单。这条路走了十几年，效果始终差强人意——因为市场不仅仅是数字的博弈，更是人的博弈。投资者的情绪波动、从众心理（信息级联）、处置效应（亏损时死拿、盈利时早卖）——这些行为金融学中描述的非理性因素，在传统规则化的模拟器里几乎无法复现。

TwinMarket 正是从这个痛点切入。它的核心思路是：不靠规则预设交易行为，而是给每个模拟交易者灌入一个"AI大脑"（LLM），让它像真人一样根据新闻、公告、社交信息、技术指标做出个性化决策。1000个AI交易者，1000种不同性格，叠加社交网络互动——当这些微观决策汇聚在一起，市场泡沫、崩盘、反弹等涌现现象就自然冒出来了。

技术架构：微观行为 × 宏观市场

TwinMarket 的设计分为两个层面。

微观层：BDI认知框架驱动的个体模拟。 项目基于 Belief-Desire-Intention（信念-欲望-意图）架构，每个模拟交易者（Agent）维护一套动态更新的市场认知体系。当某只股票出现连续涨停，Agent 的"信念"会记录这一现象，"欲望"会驱动它寻找相关信息（论坛帖子、新闻公告），最终形成"买入/卖出/观望"的行为意图。整个决策链路通过 LLM 完成，输出的不再是冷冰冰的数字，而是一段段具备逻辑连贯性的决策理由。

宏观层：订单撮合引擎与市场基础设施。 项目的 trader/matching_engine.py 实现了一个完整的限价订单撮合系统，支持价格优先、时间优先的撮合规则，结合真实A股市场历史数据（通过 data/ 目录注入），还原了从开盘集合竞价到盘中连续交易的全流程。

TwinMarket 双层架构：微观 BDI Agent 与宏观市场模拟的协同

社交网络：市场不只有K线

真实市场中，投资者的决策严重受社交影响——股吧、论坛、微信群都是信息传播的主战场。TwinMarket 专门实现了 util/ForumDB 和社交图谱模块（基于 NetworkX），模拟论坛发帖、点赞、用户关注等行为。Agent 会在论坛中发表看法，也会阅读和参考他人的观点，从而形成社交影响力传导。

这意味着 TwinMarket 模拟的不只是"一个人在电脑上炒股"，而是"一个真实存在于社交网络中的投资者社区在集体博弈"。

可扩展性：从100到1000的跨越

传统 Agent-Based Market Simulation 受限于计算成本，模拟规模通常只有几十到上百个 Agent。TwinMarket 通过多线程并发（concurrent.futures.ThreadPoolExecutor）、异步文件 I/O（aiofiles）、SQLite 数据库持久化等工程优化，实现了1000+ Agent 的并发运行。论文中的实验显示，即便规模扩大，系统依然能稳定复现市场中的 stylized facts（如收益率分布的厚尾特征、波动率聚集等）。

1000 Agent 并发运行下的市场指数演化

快速上手：有API Key就能跑

克隆项目后，只需两步：

# 1. 配置 API 密钥
cp config/api_example.yaml config/api.yaml
# 编辑 api.yaml，填入 OpenAI API Key 或兼容接口（如 SiliconFlow）

# 2. 一键启动模拟
bash script/run.sh

核心依赖通过 requirements.txt 管理，主要包括：openai（API调用）、pandas（数据处理）、networkx（社交图谱）、faiss-cpu（相似度检索）、matplotlib（可视化）。不需要 GPU，普通开发机即可运行小规模模拟。

学术价值与产业想象

TwinMarket 的价值远不止于"跑一个模拟demo"。对于学术研究者，它提供了一个可控、可复现的金融行为实验平台——可以在模拟中注入不同的政策冲击（印花税调整、涨停板规则变化），观察市场的系统性响应。对于量化团队，它可以帮助快速验证交易策略假设——在低风险环境中观察策略在社交影响下的表现。对于监管机构，它或许能成为市场风险预警系统的数字孪生。

目前已有其他研究团队基于 TwinMarket 开展后续研究，如研究多智能体系统中涌现极端事件（IEEE 会议论文）的团队。

局限与争议

诚然，TwinMarket 也有其局限性。首先，模拟质量高度依赖 LLM 的推理能力——当模型产生幻觉或前后不一致的决策理由时，市场模拟的可信度会受损。其次，目前版本主要面向A股市场，其他市场的制度规则（如 T+0、熔断机制）需要额外适配。再者，1000个 Agent 的模拟成本并不低——每个 Agent 每天的交易决策都可能触发一次 LLM API 调用，按 GPT-4o 的定价推算，一次完整模拟的 token 消耗可能相当可观。

此外，项目本身没有提供 Docker 容器化，对 API 环境有一定要求，首次部署存在一定的环境配置门槛。

总结

TwinMarket 是一项将 LLM 与计算社会科学深度融合的创新实践。它不只是"让AI来炒股"，而是用AI来理解股市中人的行为。从 BDI 认知架构到订单撮合引擎，从论坛社交模拟到行为金融建模，这个项目为金融市场的计算实验提供了一个前所未有的工具箱。如果你对金融AI、市场仿真或多智能体系统感兴趣，TwinMarket 值得花一个下午认真研读其论文与代码。