Investor risk profiles of large language models

Questo studio analizza come tre grandi modelli linguistici (GPT, Gemini e Llama) definiscono e adattano i profili di rischio degli investitori in base a questionari standardizzati e a diverse assegnazioni di ruoli, rivelando differenze significative nella loro tolleranza al rischio e nella coerenza delle risposte.

L'essenziale

Immagina di entrare in una stanza piena di tre nuovi "consulenti finanziari" digitali. Non sono esseri umani, ma intelligenze artificiali avanzate chiamate LLM (Large Language Models), come GPT, Gemini e Llama. Il loro compito? Capire quanto sei disposto a rischiare con i tuoi soldi e darti consigli su come investirli.

Ma c'è un problema: chi sono questi consulenti quando non gli dici nulla? E se gli dici "sei un giovane di 20 anni" o "sei un ricco di 50 anni", cambiano davvero idea o restano fissi nelle loro idee?

Gli autori di questo studio (Hanyong Cho, Geumil Bae e Jang Ho Kim) hanno deciso di fare un esperimento curioso: hanno fatto fare a queste tre intelligenze un test di personalità finanziario, chiedendo loro di fingere di essere investitori reali. Ecco cosa hanno scoperto, spiegato in modo semplice.

1. Chi sono questi "investitori digitali" di default?

Immagina di chiedere a tre amici diversi: "Se avessi dei soldi, cosa faresti?". Ognuno risponderebbe in modo diverso. Lo studio ha scoperto che anche le intelligenze artificiali hanno un "carattere" di base quando non vengono guidate:

• Gemini è il "Piano B" affidabile: È come un amico molto equilibrato. Risponde sempre allo stesso modo, con una cautela media. Non si spaventa, non si esalta. È il più costante.
• Llama è il "Nonno prudente": Tende a essere più conservatore. Se gli chiedi di investire, preferisce stare al sicuro, come chi tiene i soldi sotto il materasso per paura di perderli.
• GPT è il "Giovane avventuroso": È il più coraggioso (o forse il più spericolato!). Tende a voler rischiare di più per guadagnare di più, ma è anche il più disordinato: a volte dice una cosa, a volte un'altra. È quello che cambia più spesso idea.

La lezione: Se chiedi a un'IA "Cosa devo fare?", la risposta dipende da quale IA stai usando, perché ognuna ha un "pessimismo" o un "ottimismo" di base diverso.

2. Funziona il "Trucco del Personaggio"?

Poi, gli scienziati hanno provato a usare un trucco da attore: hanno detto alle IA "Fingi di essere una persona specifica".
Hanno dato loro dei ruoli: "Sei una persona che odia il rischio", "Sei un giovane di 20 anni", "Sei molto ricco", o "Non hai mai investito prima".

Ecco cosa è successo:

• Il cambio di maschera funziona: Quando hanno detto a un'IA "Sei un timoroso del rischio", lei ha davvero risposto come un timoroso del rischio. Quando hanno detto "Sei un cercatore di avventure", ha risposto come tale.
• Le regole della vita reale:
  • Età: Tutte le IA hanno capito che i giovani (anni '20) sono più disposti a rischiare, mentre gli anziani (anni '50) vogliono più sicurezza.
  • Soldi: Più "ricchi" erano i personaggi inventati, più le IA suggerivano di rischiare (come se avere più soldi ti permettesse di perdere di più senza preoccuparti).
  • Esperienza: Se il personaggio non aveva mai investito, le IA diventavano molto prudenti. Se era un professionista, diventavano più audaci.

3. La grande scoperta (e il campanello d'allarme)

C'è una cosa strana e importante. Anche se le IA riescono a "recitare" il ruolo che gli diamo, hanno sempre un sottofondo di personalità propria.
È come se tu dessi a tre attori lo stesso copione:

• L'attore A (Gemini) lo recita sempre uguale, perfetto.
• L'attore B (Llama) lo recita sempre un po' più triste e prudente.
• L'attore C (GPT) lo recita con molta energia, ma a volte cambia le parole a caso.

In sintesi: Cosa dobbiamo imparare?

Questo studio ci dice che le Intelligenze Artificiali possono essere ottimi assistenti per capire il tuo profilo di rischio, MA non sono perfette.

1. Non sono tutte uguali: Se chiedi consiglio a GPT, Gemini o Llama, potresti ricevere risposte diverse anche per la stessa persona.
2. Bisogna guidarle: Se non gli dici chi sei (età, soldi, esperienza), useranno la loro "personalità di default" (che potrebbe non essere la tua!).
3. Attenzione: Non fidarti ciecamente di un consiglio finanziario dato da un'IA senza sapere come è stata "programmata" o quale "ruolo" le hai assegnato.

L'analogia finale:
Usare un'IA per i consigli finanziari senza darle un contesto è come chiedere a un medico generico: "Cosa mi succede?". Risponderà in base alla sua esperienza media. Ma se gli dici: "Sono un maratoneta di 30 anni con una gamba rotta", allora potrà darti un consiglio davvero utile. Le IA sono potenti, ma hanno bisogno che noi umani le guidiamo con precisione per non sbagliare strada.

Sommario tecnico

Ecco un riassunto tecnico dettagliato del paper "Investor risk profiles of large language models" in italiano.

Titolo: Profili di rischio degli investitori nei Large Language Models (LLM)

1. Problema e Contesto

L'articolo affronta una questione critica nell'ambito della consulenza finanziaria automatizzata: la capacità dei Large Language Models (LLM) di formare e esprimere profili di rischio coerenti per gli investitori retail.
Mentre studi precedenti hanno esplorato le capacità degli LLM nella selezione azionaria, nell'analisi del sentiment e nell'analisi fattoriale, c'è una lacuna nella comprensione di come questi modelli interpretino e internalizzino i profili degli investitori, un elemento fondamentale per fornire consigli finanziari personalizzati. Il profilo di rischio determina l'allocazione ottimale degli asset (es. limiti su asset rischiosi come criptovalute) e la selezione degli strumenti. L'obiettivo dello studio è valutare se i principali LLM (GPT, Gemini, Llama) mantengano un profilo di rischio "di default" coerente e se siano in grado di adattare le proprie raccomandazioni in base a input utente variabili (età, ricchezza, esperienza).

2. Metodologia

Gli autori hanno adottato un approccio quantitativo basato su questionari standardizzati, ampiamente utilizzati nella pratica bancaria e nei manuali finanziari.

• Strumento di Valutazione: È stato utilizzato il questionario di profilo di rischio di Charles Schwab, composto da 7 domande:
  • 2 domande sull'orizzonte temporale (Time Horizon).
  • 5 domande sull'autopercezione della tolleranza al rischio (Risk Tolerance).
• Modelli Analizzati:
  • GPT-4o (versione 2024-08-06)
  • Gemini 1.5 Pro
  • Llama 3.1 (70B)
• Protocollo Sperimentale:
  • Prompting di Default: Ogni modello è stato interrogato 100 volte con un prompt standard ("Supponi di essere un investitore individuale..."), rispondendo alle domande una alla volta.
  • Prompting con Persona (Variabili): Sono stati testati prompt modificati per assegnare specifici profili all'LLM:
    • Appetito al rischio: Averso, Neutrale, Ricercatore.
    • Età: 20, 30, 40, 50 anni.
    • Ricchezza: Sotto la media, Media, Sopra la media.
    • Esperienza: Nessuna, Qualche, Professionale.
  • Per ogni combinazione di modello e profilo, sono state generate 100 risposte.
• Analisi Statistica: I punteggi medi e mediani sono stati confrontati utilizzando:
  • ANOVA: Per confrontare le medie delle popolazioni.
  • Test di Kruskal-Wallis (K-W): Utilizzato poiché le risposte sono discrete e la varianza non è omogenea (test di Levene rifiutato), rendendo K-W più accurato per distribuzioni non normali.

3. Contributi Chiave

Il paper fornisce la prima analisi sistematica dei "profili di rischio intrinseci" di diversi LLM e della loro reattività al prompt engineering basato su persona. Dimostra che:

1. Gli LLM non sono neutri; possiedono un "bias" di default specifico per il modello.
2. La coerenza delle risposte varia drasticamente tra i modelli.
3. L'assegnazione di una persona (persona prompting) è efficace nel modificare il profilo di rischio, ma l'entità e la direzione della modifica dipendono dal modello sottostante.

4. Risultati Empirici

A. Profili di Default (Senza istruzioni specifiche):

• Orizzonte Temporale: Tutti e tre i modelli tendono a considerarsi investitori a lungo termine. Solo una risposta su 300 (da GPT) ha indicato un orizzonte inferiore a 3 anni.
• Tolleranza al Rischio e Coerenza:
  • Gemini: Mostra un profilo di rischio moderato con una coerenza eccezionale (risposte quasi identiche nelle 100 iterazioni).
  • Llama: Tende verso un profilo più conservativo rispetto agli altri, con una variazione moderata.
  • GPT: Si posiziona come moderatamente aggressivo ma mostra la maggiore variabilità nelle risposte, indicando una minore stabilità nel profilo di default.
• Significatività Statistica: I test (ANOVA e K-W) confermano che le differenze nei profili di default tra i tre modelli sono statisticamente significative per la maggior parte delle domande.

B. Effetto dell'Assegnazione di Profili (Persona Prompting):
Quando vengono assegnati profili specifici (età, ricchezza, ecc.), i modelli si adattano, ma con dinamiche diverse:

• Appetito al Rischio: Tutti i modelli riflettono correttamente le istruzioni (es. "avverso al rischio" porta a punteggi bassi, "ricercatore" a punteggi alti). Tuttavia, Gemini mostra un comportamento anomalo: assegna un punteggio di orizzonte temporale molto basso al caso "ricercatore di rischio", mentre GPT associa un orizzonte temporale più lungo a una maggiore tolleranza al rischio.
• Età: Tutti i modelli assegnano il punteggio di rischio più alto alla fascia di età "20 anni" e il punteggio più basso alla fascia "50 anni". GPT mostra la gamma più ampia di variazione tra le età.
• Ricchezza: Tutti i modelli aumentano significativamente il punteggio di rischio all'aumentare della ricchezza assegnata.
• Esperienza: L'assenza di esperienza di investimento porta a punteggi di rischio significativamente più bassi rispetto all'esperienza professionale o parziale.
• Significatività: Le differenze osservate tra i vari profili assegnati sono statisticamente significative (p-value < 0.01) per la maggior parte delle domande relative al rischio, confermando che i modelli rispondono alle istruzioni.

5. Significato e Conclusioni

Lo studio conclude che gli LLM hanno il potenziale per fornire consulenza finanziaria personalizzata, ma non sono strumenti "neutri".

• Bias Intrinseci: Ogni modello ha una "personalità" finanziaria di default (Gemini stabile e moderata, Llama conservativa, GPT aggressiva e volatile).
• Flessibilità: L'uso di prompt che definiscono una persona (persona prompting) è efficace per allineare il modello alle preferenze dell'utente, ma l'adattamento non è uniforme tra i modelli.
• Implicazioni Pratiche: L'uso di LLM nella consulenza finanziaria richiede cautela. Gli sviluppatori e gli advisor devono essere consapevoli dei bias di default del modello scelto e validare che le istruzioni di personalizzazione producano i risultati attesi, poiché la coerenza e la logica interna (es. relazione tra rischio e orizzonte temporale) variano da modello a modello.

In sintesi, il paper evidenzia che mentre gli LLM possono essere guidati a simulare profili di rischio specifici, la loro "psicologia" di base influenza profondamente le raccomandazioni, rendendo cruciale la selezione del modello e la progettazione dei prompt per applicazioni finanziarie reali.