MacroRisk-agent: a retrieval-augmented multi-agent framework with deterministic validation gates for auditable stress testing

Yan Liu

doi:10.1038/s41598-026-73453-3

MacroRisk-agent: a retrieval-augmented multi-agent framework with deterministic validation gates for auditable stress testing

2026-10-08

0

OA

AI

DOI：10.1038/s41598-026-73453-3

原文链接

查看原文

摘要

En 中文

基于大型语言模型（LLM）的多智能体系统在关键决策支持中面临三大开放挑战：结构化输出生成中的幻觉控制、语义推理与确定性数值模拟的耦合，以及多步智能体工作流的端到端可审计性。我们提出MacroRisk-Agent，一种多智能体架构，在金融压力测试领域解决这些挑战——该场景要求严格的输出有效性、可重复性和监管可追溯性。MacroRisk-Agent引入三项技术贡献：（1）一个具有确定性验证门控的检索增强生成（RAG）流水线，将自然语言压力意图转换为可执行、模式约束的参数对象，实现92.6%的有效率，优于RAG增强基线的78.4%（$$p<0.001$$）；（2）一种约束耦合的多智能体模拟，通过火售、保证金和流动性反馈回路建模内生放大效应，在标定实验设置下产生比单次配置高52%的系统性损失估计；（3）一个反事实重模拟框架，在相同场景约束下验证所提干预措施，达到68.6%模拟定义的Top-1决策成功率。我们在公开金融数据集（FRED、Yahoo Finance）、150个精选危机事件库和10个合成机构投资组合上对MacroRisk-Agent进行概念验证评估；在合成评估环境中，报告的改进在场景有效性、传播建模和干预质量方面均具有统计显著性。我们将该框架定位为一种建议架构——而非经验验证、部署就绪的系统——用于构建幻觉控制、来源追踪的LLM智能体流水线，旨在提高高风险场景中的可审计性；对真实机构数据的验证留待未来工作。

MacroRisk-agent: a retrieval-augmented multi-agent framework with deterministic validation gates for auditable stress testing

摘要

AI总结

期刊

机构

引用论文