Your AI, On a Dial: Controlling Investment Bias in LLMs with a Single Neuron
作者: Sahong Park, Suhwan Park, Hoyoung Lee, Gakyung Kwon, Wonbin Ahn, Jaewon Choi, Alejandro Lopez-Lira, Yoon Kim, Chanyeol Choi, Hyeongwoo Kong, Yongjae Lee
分类: cs.AI, cs.CL, q-fin.GN
发布日期: 2026-08-24
💡 一句话要点
提出投资偏见调节器以解决LLMs投资决策偏差问题
🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)
关键词: 投资决策 大型语言模型 神经元干预 动态调节 系统性偏见 金融科技 机器学习
📋 核心要点
- 现有的LLMs在投资决策中表现出系统性的偏好，导致决策不够灵活和准确。
- 本文提出了一种投资偏见调节器，通过对单个神经元的干预，动态调整模型的投资倾向。
- 实验结果显示，该调节器能够有效改变投资决策和证据选择，且在长上下文中保持稳定性。
📝 摘要（中文）
大型语言模型（LLMs）在投资决策中越来越被广泛应用，但已有研究表明它们存在系统性的、模型特定的投资偏好。本文研究了如何将模型的整体投资立场校准到特定的方向和强度。我们引入了一种投资偏见调节器，这是一种在推理时对单个神经元进行干预的方法，可以持续调整模型的决策倾向，而无需针对特定公司或投资属性。通过匹配正负证据，我们评估了五个开放权重的LLMs，发现该调节器在不修改提示或模型参数的情况下，能够单调地改变投资立场。实验结果表明，调节器能够影响投资决策及生成的理由的证据强调，并在长上下文评估中保持稳定的立场控制。
🔬 方法详解
问题定义：本文旨在解决大型语言模型在投资决策中表现出的系统性偏见问题。现有方法无法灵活调整模型的投资立场，导致决策的局限性。
核心思路：我们提出了一种投资偏见调节器，通过对单个神经元进行干预，能够在推理时动态调整模型的整体投资倾向，而不需要修改模型的其他参数或输入提示。
技术框架：该方法的整体架构包括对模型的输入进行处理，通过调节器对特定神经元进行干预，进而影响模型的决策输出。主要模块包括输入处理、神经元干预和决策生成。
关键创新：最重要的创新点在于通过单个神经元的调节实现了对模型投资倾向的动态控制，这与传统方法的全局参数调整形成鲜明对比。
关键设计：在设计中，我们设置了调节器的强度参数，以控制投资倾向的变化幅度，并通过匹配正负证据来评估模型的响应变化。
🖼️ 关键图片
📊 实验亮点
实验结果表明，投资偏见调节器能够在不修改模型参数的情况下，单调地改变投资立场，并在长上下文中保持稳定性。调节器的使用使得模型的投资决策和证据选择发生显著变化，显示出其在实际应用中的潜力。
🎯 应用场景
该研究的潜在应用领域包括金融投资、资产管理和智能顾问等。通过动态调整LLMs的投资决策，能够提高投资决策的灵活性和准确性，帮助投资者更好地应对市场变化，具有重要的实际价值和未来影响。
📄 摘要（原文）
Large language models (LLMs) are increasingly used in investment decision-making, yet prior work shows that they exhibit systematic, model-specific investment preferences. We study whether a model's overall investment stance can be calibrated to a specified direction and strength. We introduce an investment-bias dial, an inference-time intervention on a single neuron that continuously adjusts a model-level decision prior---its overall tendency toward buying or selling---without targeting specific firms or investment attributes. Using matched positive and negative evidence, we evaluate five open-weight LLMs and find that the dial produces monotonic changes in investment stance without modifying prompts or model parameters. At the response level, the dial shifts both investment decisions and the evidential emphasis of generated rationales under identical inputs. In an agentic retrieval setting, the dial also changes what information the model searches for, which evidence it selects, and which evidence is reflected in its final analysis. In a long-context evaluation, the dial maintains stable stance control as context length increases, whereas a matched system-prompt instruction progressively attenuates. We further show that changes in the dial propagate to security rankings and downstream portfolio composition in an exploratory backtest. Overall, our results show that an LLM's aggregate investment stance can be calibrated toward a specified target at inference time.