Conceptual model of a multi-agent innovative investment system using neurocognitive architectures

Cover Page

Cite item

Full Text

Abstract

The relevance of this study stems from the need to develop effective tools for managing innovative investment processes in a highly uncertain market environment. Traditional research approaches, such as econometric modeling or system dynamics, often encounter difficulties in describing the adaptive behavior of agents and unpredictable collective effects. Therefore, there is a need for tools that allow for more realistic simulation of the behavior of investment market participants in all its complexity.

Aim. The study is to develop and test a multi-agent model to evaluate the effectiveness of various innovative investment scenarios and identify optimal strategies for market participants.

Methods. This paper uses simulation and multi-agent modeling as the primary research methods.

Results. This article presents a multi-agent simulation model of an innovative investment system for analyzing interactions between investment market participants. Simulation experiments demonstrate that the developed model is able to replicate the dynamics of innovation system development, evaluate the effectiveness of various investment strategies, predict market participant behavior, and determine optimal parameters for interactions between agents.

Conclusions. Future studies propose expanding the model to include a more detailed classification of investors and projects, integration with real data, and additional learning and collective investment mechanisms. The developed model can serve as a basis for creating practical decision-making tools for innovative investment and contribute to improving the efficiency of investment activities.

About the authors

A. A. Aigumov

Kabardino-Balkarian Scientific Center of the Russian Academy of Sciences

Email: arrrslan@mail.ru

Postgraduate Student of the Department of Мulti-Аgent Intellectual Robotics Systems of the Scientific and Educational Center 

Russian Federation, 2, Balkarov street, Nalchik, 360010, Russia

I. A. Pshenokova

Kabardino-Balkarian Scientific Center of the Russian Academy of Sciences; Kabardino-Balkarian State University named after Kh.M. Berbekov

Author for correspondence.
Email: pshenokova_inna@mail.ru
ORCID iD: 0000-0003-3394-7682
SPIN-code: 3535-2963

Candidate of Physical and Mathematical Sciences, Head of the Research Center “Intellectual Integrated Information and Management Systems”  

Russian Federation, 2, Balkarov street, Nalchik, 360010, Russia; 173, Chernyshevsky street, Nalchik, 360004, Russia

References

  1. Esikova T.N., Vakhrusheva S.V. Modeling of the agent environment in the development of a multi-agent system using large-scale infrastructure projects. Vestnik SibGUTI. 2019. No. 3. Pp. 63-69. EDN: BVMADR. (In Russian)
  2. Furchi A., Lippi M., Carpio R.F. Gasparri A. Route optimization in precision agriculture settings: A multi-Steiner TSP formulation. IEEE Trans. Autom. Sci. Eng. 2023. No. 20. Pp. 2551-2568.
  3. Gong T., Zhu L., Yu F.R., Tang T. Edge intelligence in intelligent transportation systems: a survey. IEEE Trans. Intell. Transp. Syst. 2023. No. 24. Pp. 8919-8944.
  4. Wang H., Wang C., Zhou K. et al. TEBChain: A trusted and efficient blockchain-based data sharing scheme in UAV-assisted IoV for disaster rescue. IEEE Trans. Netw. Serv. Manag. 2024. No. 21. Pp. 4119-4130.
  5. Liu Z., Qiu C., Zhang Z. Sequence-to-sequence multi-agent reinforcement learning for multi-uav task planning in 3D dynamic environment. Appl. Sci. No. 12. 2022. P. 12181.
  6. Russell S., Norvig P. Iskusstvennyy intellekt: sovremennyy podkhod [Artificial Intelligence: A Modern Approach]. 2nd edition. Moscow: Vil'yams, 2016. 1408 p. (In Russian)
  7. Bonabeau E. Agent-based modeling: methods and techniques for simulating human systems. Proceedings of the National Academy of Sciences of the United States of America. 2002. No. 99(3). Pp. 7280-7287.
  8. Liu J., Dong J. A multi-agent simulation of investment choice in the P2P lending market with bankruptcy risk. Journal of Simulation. 2020. No. 16. Pp. 1-15. doi: 10.1080/17477778.2020.1759386
  9. Kostka A., Chudziak J.A. Towards cognitive synergy in LLM-based multi-agent systems: integrating theory of mind and critical evaluation. arXiv preprint arXiv:2507.21969. 2025. doi: 10.48550/arXiv.2507.21969
  10. Borodulin I.V. An increase in the accuracy of large language models using extended search generation. Science Bulletin. Vol. 3. No. 3(72). 2024. Pp. 400-405. (In Russian)
  11. Xiao Y. et al. TradingAgents: Multi-agents LLM financial trading framework. arXiv preprint arXiv:2412.20138. 2024.
  12. Dwarakanath K., Vyetrenko S., Tavallali P., Balch T. ABIDES-Economist: Agent-based simulation of economic systems with learning agents. arXiv preprint arXiv:2402.09563. 2024
  13. Souissi M.A., Bensaid K., Ellaia R. Multi-agent modeling and simulation of a stock market. Investment Management & Financial Innovations. 2018. Vol. 15. No. 4. P. 123.
  14. Locatelli M., Pellegrini L., Accardo D. et al. People flow management in a healthcare facility through crowd simulation and agent-based modeling methods. Journal of Physics: Conference Series. 2023. No. 2600. doi: 10.1088/1742-6596/2600/14/142007
  15. Huang Y., Zhou Ch., Cui K., Lu X. A multi-agent reinforcement learning framework for optimizing financial trading strategies based on TimesNet. Expert Systems with Applications. 2024. Vol. 237. P. 121502.
  16. Paul J. Multi-agent systems for collaborative investment strategy design. 2024.
  17. Nagoev Z.V. Intellektika, ili Myshleniye v zhivykh i iskusstvennykh sistemakh [Intelligence, or thinking in living and artificial systems]. Nalchik: Izd-vo KBNTS RAN, 2013. 211 p. (In Russian)
  18. Nagoev Z.V. Multiagenic existential displays and functions. News of the Kabardino-Balkarian Scientific Center of the RAS. 2013. No. 4. Pp. 63-71. EDN: QZTFLX (In Russian)
  19. Nagoev Z., Pshenokova I., Nagoeva O., Sundukov Z. Learning algorithm for an intelligent decision making system based on multi-agent neurocognitive architectures. Cognitive Systems Research. 2021. Vol. 66. Pp. 82-88. doi: 10.35330/1991-6639-2020-3-95-23-31
  20. Bzhikhatlov K., Nagoeva O., Anchokov M., Makoeva D. Methods and algorithms (modeling of reasoning) to synthesize intellectual behavior of autonomous mobile robots and program complexes based on received reasoning models. In: Samsonovich A.V., Liu T. (eds) Biologically Inspired Cognitive Architectures 2024. BICA 2024. Studies in Computational Intelligence. 2024. Vol. 477. Springer, Cham. doi: 10.1007/978-3-031-76516-2_7
  21. Pshenokova I.A., Nagoeva O.V., Apshev A.Z., Ennes A.Z. Formation of dynamic causal dependencies in the management of the behavior of an intellectual agent based on the formalism of multiagenic neurocognitive architectures. News of the Kabardino-Balkarian Scientific Center of the RAS. 2022. No. 5(109). Pp. 73-80. doi: 10.35330/1991-6639-2022-5-109-73-80. (In Russian)

Supplementary files

Supplementary Files
Action
1. JATS XML
Download

Copyright (c) 2025 Aigumov A.A., Pshenokova I.A.

Creative Commons License
This work is licensed under a Creative Commons Attribution 4.0 International License.

Согласие на обработку персональных данных с помощью сервиса «Яндекс.Метрика»

1. Я (далее – «Пользователь» или «Субъект персональных данных»), осуществляя использование сайта https://journals.rcsi.science/ (далее – «Сайт»), подтверждая свою полную дееспособность даю согласие на обработку персональных данных с использованием средств автоматизации Оператору - федеральному государственному бюджетному учреждению «Российский центр научной информации» (РЦНИ), далее – «Оператор», расположенному по адресу: 119991, г. Москва, Ленинский просп., д.32А, со следующими условиями.

2. Категории обрабатываемых данных: файлы «cookies» (куки-файлы). Файлы «cookie» – это небольшой текстовый файл, который веб-сервер может хранить в браузере Пользователя. Данные файлы веб-сервер загружает на устройство Пользователя при посещении им Сайта. При каждом следующем посещении Пользователем Сайта «cookie» файлы отправляются на Сайт Оператора. Данные файлы позволяют Сайту распознавать устройство Пользователя. Содержимое такого файла может как относиться, так и не относиться к персональным данным, в зависимости от того, содержит ли такой файл персональные данные или содержит обезличенные технические данные.

3. Цель обработки персональных данных: анализ пользовательской активности с помощью сервиса «Яндекс.Метрика».

4. Категории субъектов персональных данных: все Пользователи Сайта, которые дали согласие на обработку файлов «cookie».

5. Способы обработки: сбор, запись, систематизация, накопление, хранение, уточнение (обновление, изменение), извлечение, использование, передача (доступ, предоставление), блокирование, удаление, уничтожение персональных данных.

6. Срок обработки и хранения: до получения от Субъекта персональных данных требования о прекращении обработки/отзыва согласия.

7. Способ отзыва: заявление об отзыве в письменном виде путём его направления на адрес электронной почты Оператора: info@rcsi.science или путем письменного обращения по юридическому адресу: 119991, г. Москва, Ленинский просп., д.32А

8. Субъект персональных данных вправе запретить своему оборудованию прием этих данных или ограничить прием этих данных. При отказе от получения таких данных или при ограничении приема данных некоторые функции Сайта могут работать некорректно. Субъект персональных данных обязуется сам настроить свое оборудование таким способом, чтобы оно обеспечивало адекватный его желаниям режим работы и уровень защиты данных файлов «cookie», Оператор не предоставляет технологических и правовых консультаций на темы подобного характера.

9. Порядок уничтожения персональных данных при достижении цели их обработки или при наступлении иных законных оснований определяется Оператором в соответствии с законодательством Российской Федерации.

10. Я согласен/согласна квалифицировать в качестве своей простой электронной подписи под настоящим Согласием и под Политикой обработки персональных данных выполнение мною следующего действия на сайте: https://journals.rcsi.science/ нажатие мною на интерфейсе с текстом: «Сайт использует сервис «Яндекс.Метрика» (который использует файлы «cookie») на элемент с текстом «Принять и продолжить».