Evaluating and Aligning Human Economic Risk Preferences in LLMs
创建于 更新于
摘要
本报告针对大型语言模型（LLMs）在个体风险偏好识别与经济决策中的理性表现进行系统评估。通过设计三种任务逐步加深复杂度，检验模型是否能准确反映个人画像的风险偏好及其经济合理性，并提出风险差异评分（RDS）作为量化指标。鉴于复杂任务中模型表现下降，报告进一步探索了当前有效的对齐方法——直接偏好优化（DPO）与上下文学习（ICL），实验证明DPO显著提升了模型对损失相关风险偏好的识别能力，且促进更合理的资产配置策略生成，为行为经济学中基于个性化风险的AI决策提供新视角[page::0][page::1][page::4][page::6][page::7]。
