面向个人理财 LLM 的行为驱动推理链合成：数据生成框架
计算与语言
2025-09-18 v1 人工智能
机器学习
摘要
个性化金融建议需要考虑用户目标、约束、风险容忍度和司法管辖。以往的 LLM 研究集中于为投资者和金融规划师提供支持系统。同时，诸多近期研究通过智能体管线探索更广泛的个人理财任务，包括预算、债务管理、退休和遗产规划，却因维护成本高昂，未能实现预期金融收益的 25% 以下。本研究引入一种新型可复现框架，将相关金融情境与行为金融研究相结合，以构建导师数据用于端到端顾问。通过该框架，我们创建了 19k 样本的推理数据集，并对 Qwen-3-8B 模型进行了全面微调。通过保留测试集和盲目 LLM 评审，我们展示，通过精心的数据精选和行为整合，8B 模型在事实准确性、流畅性和个性化指标上，达到了相当于 14-32B 参数规模基准的性能，同时成本降低 80%。
引用
@article{arxiv.2509.14180,
title = {Synthesizing Behaviorally-Grounded Reasoning Chains: A Data-Generation Framework for Personal Finance LLMs},
author = {Akhil Theerthala},
journal= {arXiv preprint arXiv:2509.14180},
year = {2025}
}
备注
24 pages, 11 figures. The paper presents a novel framework for generating a personal finance dataset. The resulting fine-tuned model and dataset are publicly available