arXiv cs.AI· Masoud Soleimani·· 14 小时前AI 评分25
基于混合 Prompt-RAG 流水线的 LLM 生成反事实压力情景用于组合风险模拟
LLM-Generated Counterfactual Stress Scenarios for Portfolio Risk Simulation via Hybrid Prompt-RAG Pipeline
AI 导读
研究构建了一套透明可审计的 LLM 流水线，通过结构化提示词与可选的检索增强生成 G7 宏观情景，再经三通道 PCA 因子模型转化为组合损失。
正文 · AI 翻译
摘要：我们开发了一个透明、可审计的大语言模型（LLM）流水线，用于宏观金融压力测试。结构化提示（可选检索国家基本面和新闻）生成 G7 宏观经济情景（GDP 增长、通胀、政策利率），这些情景被转换为相对于 IMF《世界经济展望》基线的偏离，并通过三通道 PCA 因子模型转化为投资组合损失。宏观到因子的映射是规定的而非估计的，因此每个尾部风险倍数都以所述假设为条件。在来自两个模型家族、三次运行的 2,420 个被接受情景，外加一次无锚定严重程度运行和八次风险层消融中，我们发现三件事。第一，严重程度继承自情景设计，而非由模型生成：提示变体在所有方差分解中占主导，移除提示的严重程度区间使 GPT-5.6-luna 的衰退减轻 1.6 个百分点，表观国家异质性在很大程度上反映了制度基线，检索和新闻仅在提示未限定幅度之处起作用。第二，数值严重程度与叙事严重程度仅弱耦合。第三，GPT-5.6-luna 遵循自己的算术，但锚定于提示区间，而 Llama-3.1-8B 的离散度高出四到七倍，并在 90% 的情况下与其自己陈述的变化相矛盾。重复运行在情景层面有所不同，但在总体倍数上一致到 0.007 倍以内。LLM 情景生成器最好用于围绕规定严重程度路径的叙事和行业启发，而非作为压力幅度的自主校准器。
| 评论： | 30 页，8 幅图，19 张表 |
| 主题： | 风险管理（q-fin.RM）；人工智能（cs.AI）；计量经济学（econ.EM） |
| 引用为： | arXiv:2512.07867 [q-fin.RM] |
| （或 arXiv:2512.07867v2 [q-fin.RM] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2512.07867 arXiv 颁发的 DOI 通过 DataCite |
提交历史
来自：Masoud Soleimani [查看电子邮件]
[v1]
2025 年 11 月 26 日星期三 19:29:22 UTC（1,357 KB）
[v2]
2026 年 10 月 25 日星期日 22:04:57 UTC（1,172 KB）
来源：arXiv cs.AI · arxiv.org