La economía narrativa sostiene que los mercados financieros están en gran medida influenciados por narrativas en constante evolución, lo que ofrece nuevas posibilidades para predecir eventos emergentes y su impacto en la economía. Sin embargo, los métodos existentes basados en grandes modelos de lenguaje aún carecen de sistematicidad en la descomposición de tareas y en la adecuación a escenarios financieros. Este artículo propone el marco MENTOR, un sistema multiagente para la predicción de eventos y tendencias narrativas, que combina un mecanismo iterativo de razonamiento maestro-estudiante y realiza la función de predicción a través de una serie de subtareas progresivas: identificación y clasificación de eventos candentes en formación, predicción de eventos futuros a partir de la narrativa actual y predicción del rendimiento de índices sectoriales afectados por dichos eventos. Los resultados experimentales basados en nuestro conjunto de datos chino de líderes de opinión clave (KOL) y en el conjunto de datos de noticias financieras en inglés muestran que MENTOR supera a los modelos base recientes en las tareas de predicción de eventos y clasificación sectorial, incluyendo el modelo mejorado de predicción de eventos futuros (StkFEP) y el marco “Resumir-Explicar-Predecir” (SEP). Además, los resultados de las pruebas retrospectivas a nivel de cartera muestran que la mejora en la predicción de eventos y sectores puede aportar mejoras reales en el rendimiento de inversión. Los hallazgos indican que la combinación del razonamiento estructurado y la retroalimentación multiagente puede mejorar significativamente la fiabilidad de la predicción de eventos y fortalecer el vínculo entre la dinámica narrativa y los resultados del mercado financiero.

economía narrativa;multiagente;detección de eventos;predicción de eventos