面向金融推荐的行为一致性语言模型对齐：结合 Kahneman-Tversky 优化
投资组合管理
2025-10-21 v1 机器学习
统计金融
摘要
大多数金融推荐系统往往未能考虑关键的行为和监管因素，导致建议与用户偏好不一致、难以解释或难以被采纳。我们提出了 FLARKO（Financial Language-model for Asset Recommendation with Knowledge-graph Optimization，金融语言模型用于资产推荐与知识图谱优化），一个新型框架，将大型语言模型（LLM）、知识图谱（KG）和卡恩曼-图尔斯基优化（Kahneman-Tversky Optimization, KTO）相结合，以生成既盈利又行为一致的资产推荐。FLARKO 将用户的交易历史和资产趋势编码为结构化知识图谱，为 LLM 提供可解释且可控制的上下文。为展示该方法的适应性，我们开发并评估了集中式架构（CenFLARKO）和联邦变体（FedFLARKO）。据我们了解，这是首次将 KTO 用于金融资产推荐中 LLM 的微调。我们还首次在联邦学习（FL）环境中使用结构化知识图谱将 LLM 推理锚定在行为金融数据之上。基于 FAR-Trans 数据集评估，FLARKO 在行为对齐性和联合盈利性方面 consistently 优于最先进的推荐基线，同时保持可解释性和资源效率。
关键词
引用
@article{arxiv.2510.15993,
title = {Aligning Language Models with Investor and Market Behavior for Financial Recommendations},
author = {Fernando Spadea and Oshani Seneviratne},
journal= {arXiv preprint arXiv:2510.15993},
year = {2025}
}