InvestAlign：在群体行为下对齐大语言模型以应对投资决策过程中的数据稀缺问题
计算与语言
2025-07-10 v1 人工智能
新兴技术
机器学习
摘要
在群体行为情境下将大语言模型（LLM）对齐于投资者决策过程是行为金融领域的关键挑战，这一领域面临着根本性限制：缺乏用于监督式微调（SFT）的真实用户数据。虽然SFT可弥合LLM输出与人类行为模式之间的差距，但其对海量真实数据的依赖带来了巨大的收集成本和隐私风险。我们提出 InvestAlign——一个新型框架，通过利用对类似且简单的最优投资问题的理论解来构建高质量的SFT数据集，而非依赖复杂情境。我们的理论分析表明，使用 InvestAlign 生成的数据训练 LLM 可实现更快的参数收敛，表明其学习效率更高。此外，我们开发了 InvestAgent——一个经 InvestAlign 微调的 LLM agent，在简单和复杂投资问题上均能显著更接近真实用户数据，凸显了 InvestAlign 作为解决复杂最优投资问题并对齐 LLM 以应对群体行为下投资者决策过程的潜在可行方法。我们的代码已公开于 https://github.com/thu-social-network-research-group/InvestAlign。
引用
@article{arxiv.2507.06528,
title = {InvestAlign: Overcoming Data Scarcity in Aligning Large Language Models with Investor Decision-Making Processes under Herd Behavior},
author = {Huisheng Wang and Zhuoshi Pan and Hangjing Zhang and Mingxiao Liu and Hanqing Gao and H. Vicky Zhao},
journal= {arXiv preprint arXiv:2507.06528},
year = {2025}
}