Fin-Bias：金融领域人类偏见下LLM决策的综合评估
计算与语言
2026-05-12 v1
摘要
大型语言模型（LLM）越来越多地部署在金融环境中，引发了关于可靠性、对齐性和对对抗性操纵敏感性的关键担忧。虽然先前的金融相关基准评估了LLM在股票交易中的能力，但它们通常局限于小样本，并且未能展示LLM对潜在人类偏见上下文的敏感性。我们引入了Fin-Bias（长且不确定金融背景下的金融羊群效应），这是一个用于评估LLM在面对不确定性和可能的人类偏见意见时投资决策的基准。Fin-Bias包含8868份长的公司特定分析师报告，包括由经验丰富的分析师总结和分析的公司方面，并附有来自各个行业的投资评级（看涨/中性/看跌）。我们向大型语言模型提供带有/不带有分析师投资评级的公司分析师报告，甚至提供“虚假”评级，以获取LLM生成的投资评级。我们的结果表明，LLM倾向于跟从上下文中的显式偏见。我们还开发了一种检测潜在人类意见的方法，这可以鼓励LLM独立思考，一些模型在预测未来股票收益方面甚至超过了人类表现。
引用
@article{arxiv.2605.09106,
title = {Fin-Bias: Comprehensive Evaluation for LLM Decision-Making under human bias in Finance Domain},
author = {Xiaoyu Hu and Jinman Zhao},
journal= {arXiv preprint arXiv:2605.09106},
year = {2026}
}
备注
ACL 2026 Findings