PersonaLedger：使用以人设为条件的大语言模型和规则驱动反馈生成真实金融交易
机器学习
2026-01-22 v2
摘要
严格的隐私法规限制了对真实交易数据的访问，减缓了金融 AI 开放研究。合成数据可以弥合这一鸿沟，但现有生成器未能同时实现行为多样性和逻辑一致性。基于规则的模拟器依赖手工制作的工作流程和浅层随机性，缺乏人类行为的丰富性。基于学习的生成器如 GAN 能够捕捉相关性，却常常违反硬性金融约束，仍需依赖私人数据进行训练。我们引入 PersonaLedger，一种使用以人设为条件的大型语言模型生成多样化交易流，搭配维护正确性的专家可配置程序化引擎的生成引擎。LLM 与引擎在闭环中交互：每次事件后，引擎更新用户状态，强制执行金融规则，并返回一个情境感知的 "nextprompt" 以引导 LLM 朝向可行的下一行动。通过该引擎，我们创建了一个包含 3000 万笔交易、来自 23000 位用户的公共数据集，以及包含两个任务的基准套件：不流动性分类和身份窃取分段。PersonaLedger 提供了一个真实、隐私保护的资源，支持对预测和异常检测模型进行严格评估。PersonaLedger 为社区提供了一个丰富、真实且隐私保护的资源——包括代码、规则和生成日志——以加速金融 AI 创新，实现严格、可重复的评估。
引用
@article{arxiv.2601.03149,
title = {PersonaLedger: Generating Realistic Financial Transactions with Persona Conditioned LLMs and Rule Grounded Feedback},
author = {Dehao Yuan and Tyler Farnan and Stefan Tesliuc and Doron L Bergman and Yulun Wu and Xiaoyu Liu and Minghui Liu and James Montgomery and Nam H Nguyen and C. Bayan Bruss and Furong Huang},
journal= {arXiv preprint arXiv:2601.03149},
year = {2026}
}