大语言模型在投资分析中的偏见研究

在金融领域，大型语言模型（LLMs）经常面临预训练参数知识与实时市场数据之间的差异所导致的知识冲突。当这些模型被部署在实际投资服务中时，这种冲突变得尤为棘手——模型内嵌的偏好与金融机构的偏好之间的不匹配可能导致不可靠的投资建议。

然而，目前很少有研究探讨大型语言模型实际持有哪些投资观点。本研究提出了一个实验框架来调查此类冲突，首次对基于大型语言模型的投资分析中的确认偏误进行了量化分析。通过使用包含平衡和不平衡论证的假设情景，我们提取了模型的潜在偏好并测量了其持久性。

聚焦于行业、规模和动量因素，我们的分析揭示了明显且模型特定的倾向。特别是，我们观察到大多数模型对大盘股和逆向策略存在一致的偏好。这些偏好常常固化为确认偏误，即使面对相反证据，模型仍坚持初始判断。