论文用交易数据基准验证LLM智能体可发现预测市场间的有意义关联。
资讯摘要
论文提出分层智能体归约（HAR）流水线，将预测市场按问题与结算文本划分主题簇，再用带类型的LLM推理在小批次中提出带符号关系及理由，构建可检查的跨事件关系图。作者基于Kalshi八个月度目录与3030万笔交易数据构建行为基准，比较关联市场对与同主题匹配对照的价格变动相关性。结果显示，流水线识别的关系在Pearson与Spearman相关上均显著更高，且中高强度关系更明显。
要点速读
- 论文提出HAR流水线，将预测市场目录按主题聚类，并用LLM推理提出带符号的跨市场关系及理由。
- 评估覆盖Kalshi 2026年2月至9月的八个月度目录，使用3030万笔交易数据构建基准。
- 在全样本与留出首周评估下，流水线识别的关系对价格变动相关性显著高于同主题匹配对照。
中文摘要由 AI 根据公开来源生成，可能存在理解偏差；具体能力、数字、开放时间等信息请以原文为准。
采集于 2026/10/31 08:00:18（北京时间）。 arXiv 日期为本次公告时间，论文初次投稿日期请查看原文版本记录。