arXiv cs.AI· Jiajie He, Yuanhong Jiang, Xintong Chen, Dongling Ni, Wenjin Liu·· 14 小时前AI 评分34
超越行为准确率：评估 LLM 投资者模拟中的个体级保真度
Beyond Behavioral Accuracy: Evaluating Individual-Level Fidelity in LLM Investor Simulation
AI 导读
一项针对 80 名参与者的纵向模拟交易研究发现，所有受测 LLM 在预测交易是否发生上都无法可靠超越简单的近期活跃度持续性基线，买卖结构和资产选择同样难以复现。相似的活跃度表现还可能对应差异显著的组合收益轨迹，消融实验显示活跃度预测主要依赖近期交易，而资产选择对多种证据来源敏感。参与者认为模型解释更贴合其反复出现的策略，而非具体决策理由。
正文 · AI 翻译
摘要：大型语言模型（LLM）正越来越多地被用作用户模拟器，但它们能否忠实地再现个体随时间推移的行为和决策逻辑？我们在一项有 80 名参与者参与的纵向模拟交易研究中探讨了这一问题。通过滚动式次日预测，我们评估了交易活动、买卖结构、资产选择和投资组合结果，并辅以受控输入消融实验和参与者评定的解释一致性。在预测交易是否发生方面，没有任何被评估的 LLM 能可靠地优于一个简单的近期活动持续性基线，而买卖结构和资产选择仍然难以复现。相似的活动水平表现也可能产生显著不同的投资组合轨迹。消融实验表明，活动预测主要依赖于近期交易，而资产选择则对多种证据来源敏感。参与者认为解释与其反复出现的策略的一致性高于与其特定决策理由的一致性。这些发现揭示了粗略行为一致性与个体层面保真度之间的差距，从而推动在个性化用户模拟中对行为准确性、解释一致性和证据依赖性进行分别评估。
| 评论： | 本文正在 ARR 审稿中 |
| 主题： | 人工智能（cs.AI）；人机交互（cs.HC）；信息检索（cs.IR） |
| 引用为： | arXiv:2610.26524 [cs.AI] |
| （或 arXiv:2610.26524v2 [cs.AI] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2610.26524 由 DataCite 颁发的 arXiv DOI |
提交历史
来自：Jiajie He [查看邮箱]
[v1]
2026 年 10 月 19 日星期一 14:54:08 UTC（3,924 KB）
[v2]
2026 年 10 月 24 日星期六 01:10:19 UTC（3,924 KB）
来源：arXiv cs.AI · arxiv.org