PAWS：策略驱动的智能体世界模拟
摘要：政策干预通过公共传播、机构决策和利益相关者响应进行传导，然而面向金融多智能体模拟的数据集很少将这些过程与时间对齐的历史证据联系起来。我们提出了 PAWS，一个策略驱动的智能体世界模拟数据集，涵盖 36 个经过验证的美国金融和经济政策事件、12,727 条与政策相关的新闻记录，以及 65,291 条有来源依据的利益相关者行动。每个行动都链接到其支撑新闻，并由一个多层事件框架表示，该框架捕捉其交互模式、金融行动族和子类型、语义属性，以及到外部分类体系的条件映射。实体被解析为规范化组织，行动与每日市场收益背景对齐，以支持策略-智能体模拟回放。在 2,522 个分层行动样本上，独立 AI 和人工评审者在交互模式上达成了 89.4% 的初始一致率，分歧随后经过裁定。对 2008 年卖空禁令和 2001 年十进制化的案例研究，在密集和稀疏新闻环境下均恢复了有据可查的政策时间线及相关市场模式。一项回放研究进一步表明，高准确率可能掩盖对稀有利益相关者行动的检测失败，并将行动时机和校准识别为核心挑战。PAWS 为在历史锚定的金融模拟中评估智能体影响、政策响应级联和行动-结果对齐提供了一个可审计的基础。