Persona-Trained Monte Carlo: Estimating Market-Outcome Distributions via Swarms of Persona-Conditioned Neural Policy Bots in a Limit Order Book

This preprint does not present a working financial simulator or any bot results. It proposes Persona-Trained Monte Carlo (PTMC), a methodological agenda for estimating distributions of market statistics by repeatedly simulating a limit-order-book market with different agent populations. Each run would draw K profiles from a learned distribution P: demographics and preferences theta, such as age, wealth, or risk aversion, and a behavioral profile rho, such as herding, momentum, anchoring, or reluctance to realize losses. All bots would share a neural policy pi_phi conditioned on those attributes, market state, and optionally news, macro variables, and indices. Their orders would interact in a continuous double auction. Each path would yield a functional F, such as maximum drawdown or crash probability, and the across-run mean would estimate E_P[F]. The paper combines a narrative review of agent-based economics, market microstructure, behavioral finance, RL, generative agents, systemic risk, and econophysics with a candidate architecture, three untested pseudocode procedures, and a validation roadmap. Its defensible contribution is to formalize the proposal, distinguish three sources of randomness, and require comparisons against fixed populations and zero-intelligence traders. The paper correctly acknowledges equifinality: reproducing fat tails, volatility clustering, spreads, or a historical crash would not prove that the simulated psychological mechanism is the one operating in real markets. It also states explicitly that the entire framework is unimplemented, that it reports no new empirical findings, and that its validation thresholds are illustrative placeholders. The five-bot, five-minute example uses invented parameters and scripted actions. The rise from USD 50.025 to USD 50.32, the claimed clustering, and the overreaction are not simulator outputs and must not be reported as results. The stated Monte Carlo convergence is conditional. Given independent runs, finite variance, and an already fixed P, policy, matching engine, and initialization scheme, the average converges to the expected value of the simulated world. It does not show that P represents real traders, that the policy is behaviorally faithful, that K is adequate, or that the estimand approximates real markets; the K-to-infinity limit remains open. The specification also contains technical defects. The proposed fidelity regularizer ||(theta,rho)-E_D[(theta,rho)]||^2 contains only inputs and dataset statistics, so its gradient with respect to phi is zero. It cannot train the policy or prevent mode collapse, while penalizing distance from the mean would reduce rather than preserve heterogeneity. The procedure labeled inverse RL regresses R_psi on realized P&L and then optimizes a policy against that prediction. This is supervised reward prediction, not inference of the latent utility that rationalizes observed actions, and realized P&L need not equal human preferences. Behavioral cloning defines only a cross-entropy loss for buy/sell/hold even though the architecture also emits continuous order size and price. The key distribution P is given no concrete estimator, identification analysis, uncertainty treatment, or sampling procedure. The workflow feeds validation failures back into recalibration and training; without a locked final test, that turns validation into model selection. The paper is useful as a self-aware research program, not as evidence that persona-trained agents improve market simulations. Testing it would require linked individual orders, demographics, behavioral variables, news, and historical LOB data. The author states that no assembled dataset of this kind exists and that obtaining one would require institutional agreements, IRB review, privacy engineering, and years of work. No code, data, environment, or executable artifact is released. Discussed risks include reidentification, membership inference, demographic bias, market manipulation, exploitative strategies, flash crashes, and risk decisions based on a misspecified model. The paper should therefore be read as a falsifiable proposal and roadmap, not a validated system, forecaster, regulatory tool, or demonstration of behavioral realism.

Este preprint no presenta un simulador financiero construido ni resultados de bots. Propone Persona-Trained Monte Carlo (PTMC), una agenda metodológica para estimar distribuciones de estadísticas de mercado repitiendo simulaciones de un libro de órdenes con poblaciones distintas de agentes. En cada ejecución se dibujarían K perfiles de una distribución aprendida P: demografía y preferencias theta, como edad, riqueza o aversión al riesgo, y un perfil conductual rho, como herding, momentum, anclaje o disposición a realizar pérdidas. Todos los bots compartirían una política neuronal pi_phi condicionada por esos atributos, el estado del mercado y, opcionalmente, noticias, variables macro e índices. Sus órdenes se cruzarían en una subasta doble continua; cada trayectoria produciría un funcional F, por ejemplo drawdown máximo o probabilidad de crash, y el promedio entre ejecuciones estimaría E_P[F]. El artículo combina una revisión narrativa de economía basada en agentes, microestructura, finanzas conductuales, RL, agentes generativos, riesgo sistémico y econofísica con una arquitectura candidata, tres pseudocódigos no probados y un plan de validación. Su aportación defendible es formular la propuesta, distinguir tres fuentes de aleatoriedad y exigir comparaciones contra poblaciones fijas y agentes de inteligencia cero. El propio texto reconoce correctamente la equifinalidad: reproducir colas pesadas, clustering de volatilidad, spreads o un crash histórico no prueba que el mecanismo psicológico simulado sea el real. También declara que todo el framework está sin implementar, que no existen hallazgos empíricos nuevos y que los umbrales de validación son marcadores ilustrativos. El ejemplo de cinco bots y cinco minutos usa parámetros inventados y acciones guionizadas; la subida de 50,025 a 50,32 dólares, el supuesto clustering y la sobre-reacción no son salidas de una simulación y no deben narrarse como resultados. La convergencia Monte Carlo expuesta es una propiedad condicional: bajo ejecuciones independientes, varianza finita y una P, una política, un motor y condiciones iniciales ya fijados, el promedio converge al valor esperado del mundo simulado. No demuestra que P represente a los traders reales, que la política sea fiel, que K sea suficiente ni que el estimando se aproxime a mercados reales; el límite K→∞ se deja abierto. La especificación tiene además fallos técnicos. La regularización de fidelidad ||(theta,rho)-E_D[(theta,rho)]||^2 solo contiene entradas y estadísticas de datos, por lo que su gradiente respecto de phi es cero: no puede entrenar la política ni evitar colapso de modos, y además penalizar distancia a la media reduciría heterogeneidad. El algoritmo llamado inverse RL ajusta R_psi por regresión al P&L realizado y luego optimiza la política con esa predicción; eso es aprendizaje supervisado de recompensa, no inferencia de la utilidad latente que racionaliza acciones, y P&L no equivale necesariamente a preferencias humanas. La pérdida de behavioral cloning solo define cross-entropy para buy/sell/hold, aunque la arquitectura también genera tamaño y precio continuos. La distribución P tampoco recibe estimador, identificación, incertidumbre ni procedimiento de muestreo concretos. La figura devuelve los fallos de validación a recalibración y entrenamiento; sin un test final bloqueado, esto convierte la validación en selección del modelo. El trabajo es valioso como programa de investigación autoconsciente, no como evidencia de que las personas entrenadas mejoren mercados simulados. Llevarlo a prueba requeriría enlazar órdenes individuales, demografía y variables conductuales con noticias y LOB histórico, algo que el autor dice no existe ensamblado y que exigiría acuerdos, IRB, privacidad y años de trabajo. No se publican código, datos, entorno ni artefactos ejecutables. Los riesgos descritos incluyen reidentificación, membership inference, sesgos demográficos, manipulación de mercado, estrategias explotativas, flash crashes y decisiones de riesgo basadas en un modelo incorrecto. Por tanto, el artículo debe leerse como propuesta falsable y hoja de ruta, no como sistema validado, pronosticador, herramienta regulatoria ni demostración de realismo conductual.