Are Large Language Models Rational Investors?-CSDN博客

本文链接：https://blog.csdn.net/c_cpp_csharp/article/details/138152631

本文探讨了大型语言模型（LLM）在财务分析中的应用，引入了财务偏见指标（FBI）来评估其金融合理性。研究发现，LLM在理解和解释市场数据时可能存在内在偏见和对复杂性的浅显理解。通过分析19个LLM，研究表明模型设计、训练和输入策略影响其财务合理性，而专门训练的金融模型可能更具非理性。该研究为提升LLM在金融分析中的可靠性和理性提供了方向。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

本文是LLM系列文章，针对《Are Large Language Models Rational Investors?》的翻译。

摘要

大型语言模型（LLM）正逐渐被用于财务分析，以利用其广泛的知识库来解释复杂的市场数据和趋势。然而，它们在金融领域的应用受到内在偏见（即风险偏好偏见）和对市场复杂性的肤浅理解的挑战，这突出了对其金融洞察力进行彻底评估的必要性。这项研究引入了一个新的框架，即财务偏见指标（FBI），以批判性地评估LLM的财务合理性，重点是它们辨别和驾驭财务信息微妙之处的能力，以及识别任何可能扭曲市场分析的非理性偏见的能力。
我们的研究采用了一种创新的方法来衡量财务合理性，结合行为金融学的原理来审视LLM的偏见和决策模式。我们对19个领先的LLM进行了全面评估，考虑了模型规模、训练数据集、输入策略等因素。研究结果表明，受模型设计和训练的影响，模型之间存在不同程度的财务不合理性。专门在金融数据集上训练的模型可能表现出更大的非理性，甚至更大的金融语言模型（FinLLM）也可能比更小、更通用的模型表现出更多的偏见。这一结果为这些因素如何影响LLM的财务合理性提供了深刻的见解，表明有针对性的训练和结构化的输入方法可以提高模型性能。这项工作丰富了我们对LLM在金融应用中的优势和劣势的理解，为开发更可靠、更合理的金融分析工具奠定了基础。