Die narrative Ökonomie sieht Finanzmärkte zu einem großen Teil als von sich ständig weiterentwickelnden Narrativen beeinflusst an, was neue Möglichkeiten zur Vorhersage neu auftretender Ereignisse und deren Auswirkungen auf die Wirtschaft eröffnet. Bestehende Methoden, die auf großen Sprachmodellen basieren, weisen jedoch weiterhin Defizite in der systematischen Aufgabenzerlegung und der Anpassung an finanzielle Szenarien auf. Dieser Artikel stellt den MENTOR-Rahmen vor, ein Multi-Agenten-System zur Vorhersage von Ereignissen und narrativen Trends, das einen iterativen Lehrer-Schüler-Schlussmechanismus kombiniert und Vorhersagefunktionalitäten durch eine Reihe progressiver Unteraufgaben realisiert: Identifikation und Priorisierung sich herausbildender Hotspot-Ereignisse, Vorhersage künftiger Ereignisse aus aktuellen Narrativen und Prognose der Branchenindexentwicklung, die von diesen Ereignissen beeinflusst wird. Die experimentellen Ergebnisse auf unserem selbst erstellten chinesischen KOL-Datensatz und dem englischen Finanznachrichtendatensatz zeigen, dass MENTOR bei Aufgaben zur Ereignisvorhersage und Branchenrangfolge allen jüngsten Basismodellen überlegen ist, einschließlich des verbesserten Future Event Prediction (StkFEP) und des „Zusammenfassen—Erklären—Vorhersagen“ (SEP)-Rahmens. Darüber hinaus zeigen Backtesting-Ergebnisse auf Portfoliobasis, dass verbesserte Ereignis- und Branchenprognosen zu einer tatsächlichen Steigerung der Investment-Performance führen können. Die Ergebnisse deuten darauf hin, dass die Kombination aus strukturiertem Schließen und Multi-Agenten-Feedback die Zuverlässigkeit der Ereignisvorhersage erheblich steigert und die Verbindung zwischen narrativen Dynamiken und Finanzmarktresultaten verstärkt.

narrative Ökonomie;Multi-Agent;Ereignisdetektion;Ereignisvorhersage