Investor risk profiles of large language models

Cette étude examine comment trois grands modèles de langage (GPT, Gemini et Llama) forment et expriment des profils de risque d'investisseur, révélant des tendances de tolérance au risque distinctes et une capacité variable à ajuster ces profils en fonction de personas spécifiques.

L'essentiel

Voici une explication simple et imagée de cette étude, comme si nous en discutions autour d'un café.

🧠 Le Grand Test des "Robo-Conseillers"

Imaginez que vous allez voir un conseiller financier pour investir votre argent. Avant de vous donner des conseils, il doit savoir quel genre de joueur vous êtes : êtes-vous un parieur audacieux qui aime le risque, ou un tortue prudente qui préfère la sécurité ? C'est ce qu'on appelle le "profil de risque".

Les auteurs de cette étude se sont demandé : Et si, à la place d'un humain, c'était une Intelligence Artificielle (IA) qui jouait ce jeu ?

Ils ont pris trois des IA les plus célèbres du monde (GPT, Gemini et Llama) et leur ont demandé de répondre à un questionnaire standardisé, comme si elles étaient de vraies personnes qui investissent leur propre argent.

🎭 Le Résultat : Trois Personnages Différents

Même sans qu'on leur dise qui elles sont, chaque IA a développé une "personnalité" financière bien distincte, un peu comme des acteurs qui improvisent un rôle :

1. Gemini (Le Calme et Stable) : C'est l'investisseur "moyen". Il est équilibré, ni trop fou, ni trop peureux. Ce qui est impressionnant, c'est sa constance. Si vous lui posez la même question 100 fois, il donne presque toujours la même réponse. C'est comme un ami très prévisible qui ne change jamais d'avis.
2. Llama (Le Prudent) : C'est le plus conservateur des trois. Il aime la sécurité et évite les gros risques. C'est le type qui dort bien la nuit parce qu'il a tout mis dans des comptes épargne sûrs.
3. GPT (L'Aventurier) : C'est le plus "agressif" (dans le bon sens du terme). Il est prêt à prendre plus de risques pour gagner plus. Mais attention, il est aussi le plus imprévisible. Parfois il est super prudent, parfois il ose tout. C'est comme un ami qui change d'avis selon son humeur du jour.

Le point commun ? Toutes ces IA pensent qu'elles sont des investisseurs à long terme. Elles ne veulent pas jouer à la roulette russe pour un gain rapide, elles veulent construire quelque chose sur la durée.

🎭 Le Jeu du Déguisement (Les "Personas")

Ensuite, les chercheurs ont fait un test amusant : ils ont dit aux IA : "Imagine que tu es..." et ils ont changé leur identité.

• "Imagine que tu as 20 ans" ➡️ Les IA deviennent plus audacieuses (c'est normal, on a le temps de rattraper les pertes).
• "Imagine que tu as 50 ans" ➡️ Elles deviennent plus prudentes.
• "Imagine que tu es riche" ➡️ Elles osent prendre plus de risques.
• "Imagine que tu n'as jamais investi" ➡️ Elles deviennent très timides.

La bonne nouvelle : Les IA sont capables de comprendre ces déguisements ! Si vous leur dites "Je suis un jeune de 20 ans riche", elles ajustent leurs conseils pour correspondre à ce profil.

La mauvaise nouvelle : Elles ne s'ajustent pas toutes de la même manière. Parfois, une IA change radicalement d'avis, tandis qu'une autre reste un peu sur ses gardes. C'est comme si vous demandiez à trois amis différents de vous conseiller sur un investissement en disant "Je suis un jeune riche" : l'un vous dira "Achète des cryptos !", l'autre "Achète des actions", et le troisième "Garde ton argent".

⚠️ Leçon à retenir

Cette étude nous dit deux choses importantes :

1. Les IA ne sont pas neutres. Même sans qu'on leur demande, elles ont des "biais" naturels (Gemini est stable, Llama est prudent, GPT est aventurier).
2. Elles sont flexibles, mais pas parfaites. On peut leur donner un rôle (âge, richesse, expérience) et elles s'adaptent, mais le résultat dépend de quelle IA on utilise.

En résumé : Si vous utilisez une IA pour vous conseiller en finance, ne vous contentez pas de lui poser une question. Sachez que l'IA a déjà une "personnalité" cachée. C'est un outil puissant, mais il faut savoir quel "acteur" vous avez en face de vous avant de lui confier votre portefeuille !

Résumé technique

Voici un résumé technique détaillé de l'article « Investor risk profiles of large language models » en français.

1. Problématique

L'essor des modèles de langage (LLM) dans le domaine de la gestion financière soulève une question cruciale : comment ces modèles interprètent-ils et internalisent-ils les profils de risque des investisseurs ?
Dans le conseil en investissement de détail, le profil de risque est un concept fondamental qui détermine l'allocation d'actifs (exclusion ou inclusion d'actifs risqués comme les cryptomonnaies) et fixe les limites optimales. Bien que les LLM soient de plus en plus utilisés pour fournir des conseils financiers personnalisés, il existe une incertitude quant à leur capacité à :

• Maintenir un profil d'investisseur par défaut cohérent.
• Ajuster dynamiquement leurs recommandations en fonction des paramètres spécifiques de l'utilisateur (âge, richesse, expérience, aversion au risque).
• Éviter les biais inhérents à leur entraînement qui pourraient fausser l'évaluation du risque.

2. Méthodologie

Les auteurs ont conçu une expérience rigoureuse pour évaluer trois modèles de pointe : GPT-4o, Gemini 1.5 Pro et Llama 3.1 (70b).

• Outil d'évaluation : Utilisation d'un questionnaire standardisé de profil de risque (celui de Charles Schwab, version 2024), composé de 7 questions à choix multiples.
  • 2 questions évaluent l'horizon temporel (durée d'investissement et période de dépense après retrait).
  • 5 questions évaluent la tolérance au risque (connaissance, volonté de prendre des risques, actifs possédés, réaction aux pertes, résultats acceptables).
• Protocole expérimental :
  • Profil par défaut : Chaque modèle a répondu au questionnaire 100 fois dans un contexte neutre (« Supposez que vous êtes un investisseur individuel ») pour établir un profil de base et mesurer la variance des réponses.
  • Ingénierie de prompt (Personas) : Les auteurs ont modifié le prompt initial pour attribuer des personas spécifiques aux modèles :
    • Appétence au risque : Averse, neutre, chercheur de risque.
    • Démographie : Âge (20, 30, 40, 50 ans).
    • Situation financière : Revenu/wealth (en dessous, moyen, au-dessus de la moyenne).
    • Expérience : Aucune, quelques, professionnelle.
  • Pour chaque configuration, 100 réponses ont été générées.
• Analyse statistique : Comparaison des moyennes et médianes des scores. Utilisation de tests ANOVA et Kruskal-Wallis (K-W) pour vérifier la significativité statistique des différences entre les modèles et entre les différents profils attribués. Le test K-W a été privilégié lorsque l'homogénéité des variances n'était pas respectée.

3. Contributions Clés

• Cartographie des biais par défaut : Identification des profils de risque intrinsèques de trois LM majeurs sans aucune instruction personnalisée.
• Évaluation de la sensibilité aux prompts : Démonstration de la capacité (ou de l'incapacité) des LLM à ajuster leur comportement en fonction de l'attribution de personas (âge, richesse, expérience).
• Analyse comparative des modèles : Mise en évidence de différences structurelles significatives entre GPT, Gemini et Llama dans leur traitement des concepts financiers et de risque.
• Validation statistique : Fourniture de preuves quantitatives (p-values) que les variations observées ne sont pas dues au hasard mais à des biais spécifiques aux modèles.

4. Résultats Principaux

A. Profils par défaut (Sans instruction spécifique)

• Horizon temporel : Tous les modèles se considèrent comme des investisseurs long terme. Très peu de réponses indiquent un horizon court (< 3 ans).
• Tolérance au risque et cohérence :
  • Gemini : Se positionne comme un investisseur à risque modéré avec une cohérence exceptionnelle (très faible variance entre les 100 réponses).
  • Llama : Tendance conservatrice (risque plus faible que les autres).
  • GPT : Tendance modérément agressive mais présente la plus grande variabilité dans ses réponses, indiquant une instabilité dans son profil par défaut.
• Différences statistiques : Les tests montrent que les réponses des trois modèles sont statistiquement différentes sur la plupart des questions, confirmant qu'ils ne partagent pas le même « point de vue » par défaut.

B. Impact de l'attribution de Personas

Lorsque des profils spécifiques sont assignés via le prompt, les modèles s'ajustent, mais avec des nuances :

• Appétence au risque : Tous les modèles réagissent correctement. Les scores de risque augmentent significativement de « risque-averse » à « chercheur de risque ».
  • Observation surprenante : Gemini attribue un score d'horizon temporel très bas (10) au profil « chercheur de risque », contrairement à GPT qui lie risque et horizon long.
• Âge : Tous les modèles attribuent le score de risque le plus élevé aux 20 ans et le plus bas aux 50 ans. GPT montre la plus grande amplitude de variation selon l'âge.
• Richesse (Wealth) : Une corrélation positive forte est observée : plus le niveau de richesse est élevé, plus le score de risque est élevé pour les trois modèles.
• Expérience : L'absence d'expérience entraîne un score de risque significativement plus bas que l'expérience « quelques » ou « professionnelle ».

C. Significativité Statistique

Les tests ANOVA et Kruskal-Wallis confirment que les différences observées entre les groupes (par exemple, entre les différentes tranches d'âge ou niveaux de richesse) sont statistiquement significatives (p < 0,01 pour la majorité des questions liées au risque), validant que les LLM modifient bien leur comportement en fonction des instructions.

5. Importance et Implications

Cette étude met en lumière des enjeux critiques pour l'utilisation des LLM en tant que conseillers financiers automatisés :

1. Biais inhérents : Chaque modèle possède un « profil par défaut » distinct (Gemini stable et modéré, Llama prudent, GPT agressif et variable). Un conseiller financier basé sur un LLM pourrait donc orienter un client vers des stratégies inappropriées simplement en raison du choix du modèle sous-jacent.
2. Efficacité du Prompting : Bien que les LLM puissent être guidés pour s'adapter aux profils utilisateurs (âge, richesse, expérience), la nature et l'ampleur de ces ajustements varient d'un modèle à l'autre.
3. Nécessité de prudence : L'utilisation de LLM pour le conseil financier personnalisé nécessite une validation rigoureuse. Les développeurs et les institutions financières doivent être conscients que les réponses ne sont pas neutres et peuvent être influencées par des biais de modèle et la conception des prompts.

En conclusion, bien que les LLM aient le potentiel de fournir des conseils financiers structurés, leur utilisation actuelle exige une supervision humaine et une compréhension approfondie de leurs biais spécifiques pour éviter des recommandations de risque inadaptées.