PAWS：面向金融政策的多智能体世界仿真数据集

来自 arXiv 的最新研究论文《PAWS: Policy-driven Agentic World Simulation》提出了一套面向金融与经济政策领域的多智能体仿真数据集，旨在打通公共传播、制度决策与利益相关者响应之间的链路，使仿真过程能够与历史事件在时间上对齐、可追溯。

数据集规模与构成

PAWS 数据集聚焦 36 个经过核实的美国金融与经济政策事件，主要包括但不限于：

• 12,727 条与政策直接关联的新闻记录
• 65,291 条来源可溯的利益相关者动作
• 每个动作均回链至其支撑新闻，并采用多层事件框架进行标注，覆盖交互模式、金融动作族与子类型、语义属性及外部分类体系的条件对应关系
• 实体已归一化为规范化的组织名称，动作与日度市场收益上下文对齐，以支持政策智能体仿真的「重放」

论文还附带分层抽样得到的 2,522 条动作标注样本，独立 AI 评审员与人类评审员在交互模式判定上取得 89.4% 的初始一致率，差异经仲裁解决。

案例研究与发现

研究团队对两项典型政策进行了案例分析：

• 2008 年美国股市禁止卖空令
• 2001 年股票交易最小报价单位改为十进制

两项研究均成功复现了已记录的政策时间线及其在密集与稀疏新闻环境下的市场反应模式。

重放实验的启示

进一步的「重放」实验显示，单纯的高准确率可能掩盖模型对罕见利益相关者动作的检测失败，提示动作的时间校准与概率校准是当前政策智能体仿真的核心挑战。

研究意义

PAWS 为评估智能体影响力、政策响应级联以及动作—结果对齐提供了可审计的底座，使研究者能够在历史可锚定的金融环境中复现与检验多智能体行为。该数据集对从事 agent 仿真、金融 NLP 与政策分析的研究团队具有参考价值。