정책이 발표되면 대중의 반응, 기관의 결정, 이해관계자들의 행동 등 복잡한 과정을 거쳐 경제에 영향을 미칩니다. 하지만 이러한 과정들을 시간 순서에 맞춰 역사적 증거와 연결해 금융 다중 에이전트 시뮬레이션에 활용할 수 있는 데이터셋은 부족했습니다. 최근 발표된 연구는 이러한 간극을 메우기 위해 'PAWS(Policy-driven Agentic World Simulation)'라는 새로운 데이터셋을 선보였습니다.
PAWS는 36개의 검증된 미국 금융 및 경제 정책 사례를 중심으로 구성되어 있습니다. 여기에는 12,727건의 정책 관련 뉴스 기록과 65,291건의 출처 기반 이해관계자 행동 데이터가 포함됩니다. 각 행동은 관련 뉴스와 연결되며, 상호작용 방식, 금융 행동 유형, 의미 속성 등을 다층적인 이벤트 프레임으로 표현합니다. 또한, 모든 주체는 정규화된 기관으로 분류되고, 행동들은 일별 시장 수익률과 연동되어 정책 에이전트 시뮬레이션 재생(replay)을 지원합니다. 연구진은 2,522개의 계층화된 행동 샘플에 대해 독립적인 AI와 인간 평가자가 89.4%의 초기 일치도를 보였으며, 2008년 공매도 금지나 2001년 주식 호가 단위 변경(decimalization)과 같은 실제 사례 연구를 통해 PAWS가 정책 타임라인과 시장 패턴을 성공적으로 재현함을 입증했습니다.
이러한 PAWS 데이터셋의 등장은 AI 기반의 정책 시뮬레이션 연구에 중요한 전환점이 될 것으로 보입니다. 과거에는 정책의 효과를 예측하기 위해 주로 통계 모델이나 거시 경제 모델을 사용했지만, PAWS는 실제 역사적 데이터를 기반으로 AI 에이전트들이 정책에 반응하는 방식을 시뮬레이션함으로써, 정책 개입의 파급 효과와 이해관계자들의 행동 변화를 보다 현실적으로 분석할 수 있게 합니다. 이는 정책 입안자들이 잠재적인 정책의 영향을 사전에 평가하고, 예상치 못한 부작용을 줄이며, 더 효과적인 정책을 설계하는 데 기여할 수 있습니다. 또한, 특정 이해관계자들의 행동이 전체 시장에 미치는 영향을 심층적으로 이해하는 데도 활용될 수 있습니다.