정책 기반 의사 결정 세계 시뮬레이션

arXiv:2609.28547v1 발표 유형: 새로운 abstract 정책 개입은 공공 커뮤니케이션, 기관 결정, 이해 당사자 반응을 통해 전파되나, 금융 다중 agent 시뮬레이션의 데이터셋은 시간적으로 일치하는 역사적 증거와 이러한 프로세스를 연결하는 것을 거의 하지 않는다. 우리는 PAWS, 정책 주도적인 인격체 월드 시뮬레이션 데이터셋을 소개한다. 이는 36개의 미국 금융 및 경제 정책 사건을 포함하고, 12,727개의 정책 관련 뉴스 기록과 65,291개의 소스 기반 이해 당사자 행동을 포함한다. 각 행동은 뉴스와 관련되어 있고, 다중 층 이벤트 프레임으로 표현되며, 상호 작용 모드, 금융 행동 종류와 서브 타입, 의미적 특성, 외부 분류 체계와의 조건적 매핑을 포함한다. 엔티티는 정규화된 기관으로 해결되고, 행동은 일일 시장 리턴 맥락과 일치하여 정책 agent 시뮬레이션 재생을 지원한다. 2,522개의 stratified 행동 샘플에 대해 independent AI 및 인간 리뷰어가 상호 작용 모드에 대해 89.4%의 초기 동의를 달성했으며, 이후 불일치가 심판되었다. 2008년 단기 매각 금지 및 2001년 십진법화에 대한 사례 연구는 문서화된 정책 시간 경계와 관련된 시장 패턴을 두 가지 다른 뉴스 밀도 설정에서 모두 복원한다. 재생 연구는 또한 고 정확도는 드문 이해 당사자 행동을 감지하는 실패를 숨길 수 있음을 보여주며, 행동 타이밍 및 캘리브레이션을 중심적인 문제로 식별한다. PAWS는 역사적으로 기반을 둔 금융 시뮬레이션에서 agent 영향력, 정책 반응 물결, 행동 결과 일치성을 평가하는 데 필요한 가시성이 있는 서브 스트레이트를 제공한다.