InvestAlign: Overcoming Data Scarcity in Aligning Large Language Models with Investor Decision-Makin

文章主要内容总结

本文聚焦于行为金融领域中大型语言模型（LLMs）与羊群行为下投资者决策过程的对齐问题，核心挑战是监督微调（SFT）所需真实用户数据的稀缺性。为此，作者提出了InvestAlign框架，通过利用相似简单最优投资问题的理论解构建高质量SFT数据集，而非依赖复杂场景的真实数据。

理论分析表明，使用InvestAlign生成的数据集训练LLMs，其参数收敛速度快于真实用户数据，学习效率更高。基于该框架微调得到的InvestAgent，在简单和复杂投资问题中均比预微调模型更接近真实用户决策，验证了InvestAlign在解决复杂最优投资问题、对齐LLMs与投资者决策过程中的潜力。

文章创新点

1. 领域应用创新：首次将LLMs应用于微观经济学和行为金融领域，重点研究羊群行为下的最优投资问题。
2. 数据构建方法：利用简单最优投资问题的理论解生成大量高质量训练数据，解决真实用户数据收集成本高、隐私风险大的问题。
3. 对齐技术提出：提出InvestAlign框架，通过生成的数据集对LLMs进行SFT微调，实现与投资者决策的有效对齐。
4. 理论与实验验证：从理论上证明该方法的