Calibrating Behavioral Parameters with Large Language Models

Cette étude propose un cadre utilisant les grands modèles de langage (LLM) comme instruments de mesure calibrés pour quantifier les paramètres comportementaux, démontrant que l'ajustement de ces modèles permet de reproduire fidèlement les biais cognitifs humains et les dynamiques de marché observées empiriquement.

L'essentiel

Le Titre : "L'IA comme thermomètre de l'irrationalité humaine"

L'idée de base :
Imaginez que vous vouliez mesurer la "peur" ou la "gourmandise" chez les gens. C’est très difficile ! Si vous demandez à quelqu'un : "Êtes-vous gourmand ?", il répondra souvent "Non, je suis raisonnable". C'est ce qu'on appelle le biais de rationalité. En finance, c'est pareil : les investisseurs disent qu'ils sont logiques, mais leurs actes montrent qu'ils paniquent ou qu'ils suivent la foule.

Les chercheurs ont eu une idée de génie : Et si on utilisait les IA (comme ChatGPT) non pas pour remplacer les humains, mais comme des instruments de mesure ultra-précis pour étudier nos propres défauts ?

---

1. L'analogie du "Curseur de Personnalité"

Imaginez que l'IA est une pâte à modeler. En temps normal, cette pâte est "parfaite" et très sage (c'est le mode "rationnel"). Elle ne fait pas d'erreurs, elle suit les mathématiques.

Mais les chercheurs ont découvert qu'en écrivant une petite description (un "profil") au début de la conversation, ils pouvaient pousser des curseurs invisibles dans le cerveau de l'IA.

• Le curseur "Peur de la perte" : Si on dit à l'IA : "Tu es quelqu'un qui déteste perdre plus que tout", elle commence soudainement à prendre des décisions de plus en plus prudentes, exactement comme un humain qui panique en bourse.
• Le curseur "Suiveur de mode" : Si on lui dit : "Tu accordes une importance immense à ce que font les autres", l'IA se met à suivre la foule, même si la foule court vers un précipice.

Le résultat ? Ils ont réussi à "calibrer" l'IA pour qu'elle devienne aussi "imparfaite" que nous.

---

2. Le test du "Monde Virtuel" (L'Agent-Based Model)

Pour vérifier si cette "IA imparfaite" était vraiment utile, les chercheurs ont créé un mini-univers numérique. C'est comme un jeu vidéo de simulation financière (type SimCity mais pour la Bourse).

Ils ont mis deux types d'habitants dans ce monde :

1. Les Robots Logiques : Ils ne voient que les chiffres et les faits.
2. Les IA Calibrées : Ce sont des agents qui ont les "défauts" humains (ils croient que si une action monte aujourd'hui, elle montera forcément demain).

Le verdict : Le monde peuplé d'IA "imparfaites" a commencé à ressembler exactement au vrai marché de la Bourse ! On a vu apparaître des bulles, des moments de panique et des tendances de hausse qui ne devraient pas exister mathématiquement. Cela prouve que les réglages qu'ils ont donnés à l'IA ne sont pas juste des gadgets, mais qu'ils capturent la vraie mécanique de l'irrationalité humaine.

---

3. Les limites : L'IA n'a pas de "cœur"

C'est ici que l'étude est très honnête. Les chercheurs disent : "Attention, l'IA est un excellent thermomètre pour la logique, mais un mauvais détecteur d'émotions."

• Ce que l'IA réussit (Le cerveau) : Elle est excellente pour simuler les erreurs de calcul, les préjugés mathématiques et les réflexes de pensée (comme l'ancrage ou l'extrapolation).
• Ce que l'IA rate (Le cœur) : Elle ne ressent pas la douleur d'avoir perdu 10 000 €. Elle ne ressent pas la honte de s'être trompé, ni l'excitation d'un gain soudain. Elle peut imiter le comportement d'une personne qui a peur, mais elle ne connaît pas la peur.

En résumé (La métaphore finale)

Si la finance était une symphonie, les chercheurs n'ont pas essayé de créer un robot musicien qui joue parfaitement. Ils ont plutôt appris à accorder les instruments de l'IA pour qu'ils puissent jouer les "fausses notes" humaines.

Grâce à cela, ils disposent d'un laboratoire virtuel où l'on peut tester des scénarios de crise financière sans risquer de perdre un seul centime réel, simplement en réglant les curseurs de l'irrationalité sur nos IA.

Résumé technique

Résumé Technique : Calibrage des Paramètres Comportementaux via les Grands Modèles de Langage (LLM)

1. Problématique (Le Problème)

En finance comportementale, la modélisation de la dynamique des marchés repose sur des paramètres latents tels que l'aversion à la perte ($\lambda$), l'extrapolation ($\theta$), l'herding (comportement de troupeau) et l'overconfidence (excès de confiance). La mesure précise de ces paramètres est crucialement difficile pour trois raisons principales :

• Erreur de mesure : Les enquêtes basées sur l'auto-évaluation sont peu corrélées aux choix réels.
• Identification conjointe : Il est difficile de distinguer si un comportement est dû à une préférence (ex: aversion au risque) ou à une croyance (ex: mauvaise estimation des probabilités).
• Scalabilité limitée : Les expériences en laboratoire sont coûteuses et ne permettent pas de tester une vaste gamme de profils psychologiques de manière systématique.

L'objectif de cette étude est de déterminer si les LLM peuvent servir d'instruments de mesure calibrés pour ces paramètres, non pas en cherchant à imiter parfaitement l'humain, mais en testant si l'on peut induire des biais spécifiques de manière contrôlée et prévisible.

2. Méthodologie

Les auteurs proposent un cadre où les LLM ne sont pas de simples agents simulés, mais des instruments de mesure.

• Cadre de Calibration : Au lieu de mesurer un biais, ils utilisent des "profils de personnalité" (prompts) comme traitements expérimentaux. Si un prompt "aversion à la perte" déplace systématiquement le paramètre $\lambda$ vers des valeurs humaines, le profil est validé comme un instrument de calibration.
• Expérimentation : L'étude utilise quatre modèles (GPT-4o, GPT-4o-mini, Claude-3.5-Haiku, et Gemini-2.5-Pro) sur 19 200 paires agent-scénario. Les scénarios financiers sont entièrement synthétiques pour éviter toute contamination par les données d'entraînement.
• Critères de Validation : Pour qu'un LLM soit un instrument valide, il doit respecter quatre conditions :
  1. Monotonicité : L'intensité du profil doit induire un changement monotone du paramètre.
  2. Couverture de plage : Les valeurs induites doivent atteindre les benchmarks humains.
  3. Stabilité : Les résultats doivent être reproductibles.
  4. Cohérence : Les paramètres doivent maintenir des relations théoriques entre eux (ex: corrélation entre aversion à la perte et effet de disposition).
• Validation Externe : Les paramètres calibrés sont injectés dans un modèle basé sur les agents (ABM) pour vérifier s'ils génèrent des phénomènes de marché réels (momentum et retour à la moyenne).

3. Contributions Clés

• Nouveau paradigme de mesure : Passage de l'utilisation des LLM comme "sujets de simulation" à leur utilisation comme "instruments de mesure calibrés".
• Cartographie des biais : Établissement des limites de mesure pour huit biais comportementaux canoniques.
• Pont entre psychologie et macro-finance : Démonstration que des biais induits par des prompts peuvent reproduire des anomalies de marché (momentum) observées empiriquement.

4. Résultats Principaux

Les résultats révèlent une distinction nette entre les types de biais :

• Biais de Rationalité Systématique : Par défaut (profil "rationnel"), les LLM présentent un biais de rationalité : ils sont moins biaisés que les humains (ex: $\lambda$ de 1.12 contre 2.25 pour l'humain).
• Succès de Calibration (Validation Forte) : Pour l'aversion à la perte, le herding, l'extrapolation et l'ancrage, la calibration fonctionne parfaitement. Les profils induisent des changements massifs et stables qui atteignent ou dépassent les benchmarks humains.
• Échecs de Calibration (Limites) : L'effet de disposition et le biais de représentativité ne parviennent pas à atteindre les magnitudes humaines. Les auteurs expliquent cela par le fait que les LLM ne ressentent pas d'émotions (regret, fierté, attachement émotionnel aux actifs), qui sont pourtant au cœur de ces biais.
• Validation par l'Asset Pricing : L'extrapolation calibrée ($\theta = 0.88$) génère des motifs de momentum à court terme et de retour à la moyenne à long terme qui correspondent étroitement aux faits stylisés de la littérature financière (Jegadeesh & Titman).

5. Signification et Implications

L'étude conclut que les LLM sont des outils puissants mais spécialisés.

• Utilité : Ils sont excellents pour mesurer les composantes cognitives et computationnelles des biais (traitement de l'information, calcul de probabilités, heuristiques de décision). Ils permettent de tester des scénarios de stress de manière scalable.
• Limites : Ils ne sont pas des substituts aux humains pour les biais affectifs ou sociaux (peur panique, pression sociale, ego, enjeux monétaires réels).
• Conclusion scientifique : Cette recherche offre une nouvelle infrastructure expérimentale pour la finance comportementale, permettant de transformer des paramètres latents "bruités" en variables expérimentales manipulables avec précision.