开源大型语言模型在投资决策中的表示偏差揭示
计算金融
2025-11-04 v2 人工智能
摘要
大型语言模型越来越多地被应用于金融领域以支持投资工作流。然而，先前的研究很少考察这些模型如何反映与企业规模、行业或财务特征相关的偏差，而这些偏差可能显著影响决策。本文针对这一空白，聚焦于开源 Qwen 模型中的表示偏差。我们提出了一种在约 150 只美国股票上进行平衡轮询提示的方法，结合约束解码与 token-logit 聚合，在金融语境中推导出企业层面的置信度分数。通过统计检验与方差分析，我们发现企业规模与估值始终会提高模型置信度，而风险因素则倾向于降低置信度。置信度在不同行业间存在显著差异，技术行业的变异性最大。当模型针对特定财务类别进行提示时，其置信度排名与基本面数据最为一致，与技术信号中等一致，与增长指标最不一致。这些结果揭示了 Qwen 模型中的表示偏差，并为安全、公平地部署金融 LLM 提供了面向行业的校准与类别条件评估方案。
引用
@article{arxiv.2510.05702,
title = {Uncovering Representation Bias for Investment Decisions in Open-Source Large Language Models},
author = {Fabrizio Dimino and Krati Saxena and Bhaskarjit Sarmah and Stefano Pasquali},
journal= {arXiv preprint arXiv:2510.05702},
year = {2025}
}