高风险个性化：面向个体投资者决策的 LLM 定制化重新思考
计算与语言
2026-04-07 v1 机器学习
摘要
个性化 LLM 系统已快速发展，但大多数运行在用户偏好稳定且真实答案缺失或主观的领域。我们认为，个体投资者决策构成了一个独具挑战性的领域，用以暴露当前定制范式的根本性局限。基于为 AI 增强型投资组合管理构建并部署的系统，我们识别了四个维度，揭示了个体投资中暴露的当前 LLM 定制的根本性局限：(1) 行为记忆复杂度，投资者模式呈现出随时间演化、自身矛盾且具有金融后果的特征；(2) 随漂移下的论点一致性，维持数周甚至数月的投资论证逻辑对无状态且受会话限制的架构构成挑战；(3) 风格-信号张力，系统必须同时尊重个人投资哲学，同时呈现可能与之矛盾的客观证据；(4) 无真实答案的对齐，个性化质量无法针对固定标签集合进行评估，因为结果是随机的且延迟可见。我们描述了从构建该系统中涌现的架构响应，并提出面向高风险、长期决策领域的个性化 NLP 研究方向。
引用
@article{arxiv.2604.04300,
title = {High-Stakes Personalization: Rethinking LLM Customization for Individual Investor Decision-Making},
author = {Yash Ganpat Sawant},
journal= {arXiv preprint arXiv:2604.04300},
year = {2026}
}
备注
4 pages + 1 page references. Submitted to CustomNLP4U Workshop @ ACL 2026