Investor risk profiles of large language models

Este artigo investiga como três modelos de linguagem (GPT, Gemini e Llama) formam e expressam perfis de risco de investidores, revelando que, embora todos tendam ao longo prazo, eles diferem em tolerância ao risco e consistência, ajustando-se de forma variável quando recebem personas específicas.

O essencial

Imagine que você pediu para três "consultores financeiros robóticos" diferentes (chamados GPT, Gemini e Llama) que você nunca conheceu antes: "Quem é você como investidor?". A pergunta parece simples, mas a resposta deles revela segredos fascinantes sobre como essas Inteligências Artificiais (IAs) pensam sobre dinheiro e risco.

Este estudo é como um teste de personalidade, mas em vez de descobrir se você é "extrovertido" ou "introvertido", ele descobre se a IA é um "aventureiro", um "cauteloso" ou um "equilibrado" quando se trata de investir.

Aqui está a explicação do que os pesquisadores descobriram, usando analogias do dia a dia:

1. O Teste de Personalidade (O Questionário)

Os pesquisadores deram a esses robôs um questionário padrão que qualquer banco usaria para saber o perfil de um cliente. As perguntas eram sobre:

• Quanto tempo você planeja deixar o dinheiro investido? (Horizonte de tempo)
• O que você faria se perdesse dinheiro? (Tolerância ao risco)
• Quanto dinheiro você tem e quanto sabe sobre investimentos?

Eles repetiram esse teste 100 vezes para cada robô, como se estivessem conversando com eles 100 vezes diferentes para ver se a personalidade mudava.

2. Quem é quem? (Os Perfis Padrão)

Sem receber nenhuma instrução especial, cada IA revelou uma "personalidade nativa" diferente:

• O Gemini (O Equilibrado Estável): Imagine um amigo que é sempre o mesmo. Ele é moderado: nem muito arriscado, nem muito conservador. O mais impressionante é que ele é consistente. Se você perguntar 100 vezes, ele dá 100 respostas quase idênticas. Ele é o "robô confiável" que não muda de ideia.
• O Llama (O Cauteloso): Pense nele como um avô que prefere guardar dinheiro debaixo do colchão. Ele tende a ser mais conservador, evitando riscos. Ele quer segurança acima de tudo.
• O GPT (O Aventureiro Instável): Este é o mais excitante, mas também o mais imprevisível. Ele tende a ser um pouco mais agressivo (quer mais retorno), mas é como um adolescente: um dia quer investir em criptomoedas, no outro tem medo de tudo. Suas respostas variam muito. Às vezes é super ousado, às vezes mais moderado.

A lição: Se você pedir conselho financeiro para eles sem dizer nada, o Gemini será o mais previsível, o Llama será o mais seguro, e o GPT será o mais emocionante, mas menos confiável.

3. O Poder do "Disfarce" (Personas)

A parte mais interessante do estudo foi quando os pesquisadores deram um "disfarce" para os robôs. Eles disseram: "Agora, imagine que você é uma pessoa de 20 anos, rica e que adora riscos".

O resultado foi incrível: os robôs mudaram de personalidade!

• Idade: Quando disseram que eram jovens (anos 20), todos os robôs ficaram mais arriscados. Quando disseram que eram idosos (anos 50), todos ficaram mais conservadores. É como se o robô soubesse que "jovens têm mais tempo para recuperar perdas".
• Dinheiro: Quando disseram que eram ricos, os robôs sugeriram investimentos mais arriscados. Quando disseram que tinham pouco dinheiro, ficaram mais cautelosos.
• Experiência: Se diziam que eram iniciantes, os robôs ficavam super seguros. Se diziam que eram profissionais, ficavam mais ousados.

A analogia do Camaleão: Os robôs funcionam como camaleões. Eles não têm uma "alma" fixa de investidor; eles mudam de cor (perfil de risco) dependendo de como você os descreve.

4. Por que isso importa para você?

Imagine que você está usando um app de investimento com IA.

• Se você não configurar seu perfil direito, o GPT pode te dar conselhos muito arriscados porque ele "acha" que é um investidor agressivo por padrão.
• O Llama pode ser tão conservador que você perde oportunidades de crescimento.
• O Gemini pode ser o mais seguro, mas ainda assim, ele tem um "viés" próprio.

Conclusão Simples:
Essas IAs são ferramentas poderosas, mas não são "oráculos" perfeitos. Elas têm personalidades próprias (vieses) que aparecem quando você não as guia. No entanto, se você for claro e der instruções precisas (como "sou uma pessoa de 50 anos, com pouco dinheiro e avesso a riscos"), elas conseguem se adaptar e dar conselhos muito melhores.

O estudo nos ensina que, ao usar robôs para cuidar do nosso dinheiro, nós somos os pilotos. Se não dissermos para onde queremos ir, eles podem acabar voando para um lugar que não combina com a nossa personalidade.

Resumo técnico

Aqui está um resumo técnico detalhado do artigo "Investor risk profiles of large language models" (Perfis de risco de investidores de modelos de linguagem de grande escala), traduzido e estruturado em português:

1. Problema e Motivação

O estudo aborda a crescente integração de Modelos de Linguagem de Grande Escala (LLMs) no aconselhamento financeiro e na gestão de investimentos. Embora existam pesquisas sobre a capacidade de LLMs em seleção de ações e análise de sentimentos, há uma lacuna crítica na compreensão de como esses modelos interpretam e internalizam perfis de risco de investidores.

O perfil de risco é um componente fundamental para o aconselhamento de investidores varejistas, determinando a alocação de ativos (excluindo ou incluindo ativos de risco como criptomoedas) e definindo limites de exposição. O problema central investigado é:

• Os LLMs possuem um "perfil de risco padrão" (default) consistente quando atuam como investidores?
• Eles conseguem ajustar suas respostas e recomendações de risco de forma coerente quando são atribuídas personas específicas (idade, riqueza, experiência)?
• Existem diferenças significativas entre os principais modelos (GPT, Gemini e Llama) que poderiam levar a conselhos financeiros divergentes?

2. Metodologia

Os autores utilizaram uma abordagem baseada em questionários padronizados, amplamente aceitos na literatura financeira e na prática (especificamente o questionário da Charles Schwab).

• Modelos Analisados: GPT-4o, Gemini 1.5 Pro e Llama 3.1 (70b).
• Instrumento: Um questionário de 7 perguntas dividido em duas métricas principais:
  1. Horizonte de Tempo (2 perguntas): Avalia o período de investimento e o período de gasto após o saque.
  2. Tolerância ao Risco (5 perguntas): Avalia conhecimento, disposição para correr riscos, ativos possuídos, reação a perdas e aceitação de resultados.
• Protocolo Experimental:
  • Perfil Padrão: Cada LLM respondeu ao questionário 100 vezes (reiniciando a conversa a cada vez) sob um prompt padrão ("Suponha que você é um investidor individual...").
  • Teste de Personas: Foram atribuídos perfis variados alterando a primeira linha do prompt, incluindo:
    • Apetite ao risco: Aversivo, Neutro, Buscador de risco.
    • Idade: 20, 30, 40 e 50 anos.
    • Riqueza: Abaixo da média, Média, Acima da média.
    • Experiência: Nenhuma, Alguma, Profissional.
• Análise Estatística: Comparação de médias e medianas entre os modelos e entre diferentes configurações de personas. Foram utilizados testes de ANOVA e Kruskal-Wallis (K-W) para verificar a significância estatística, dado que as respostas são discretas e a homogeneidade de variância foi rejeitada.

3. Principais Contribuições

• Mapeamento de Viés Inerente: O estudo estabelece o "perfil de risco padrão" de três LLMs líderes, revelando que eles não são neutros, mas possuem inclinações específicas (Gemini consistente, Llama conservador, GPT agressivo e variável).
• Validação de Engenharia de Prompt: Demonstra que a atribuição de personas (idade, riqueza, etc.) altera significativamente as respostas dos modelos, validando a eficácia do prompting para personalização, embora com graus de ajuste diferentes entre os modelos.
• Análise Comparativa Rigorosa: Fornece evidências estatísticas robustas de que diferentes LLMs geram perfis de risco distintos para o mesmo usuário, o que tem implicações diretas para a confiabilidade de conselhos automatizados.

4. Resultados Empíricos

A. Perfis Padrão (Sem Personas Específicas)

• Consistência: O Gemini exibiu respostas notavelmente consistentes e um perfil de risco moderado. O Llama tendeu a ser mais conservador. O GPT mostrou-se moderadamente agressivo, mas com a maior variabilidade nas respostas (menos consistente).
• Horizonte de Tempo: Todos os modelos se auto-identificaram predominantemente como investidores de longo prazo. Apenas 1 em 300 respostas (do GPT) indicou um horizonte de menos de 3 anos.
• Diferenças Estatísticas: Testes de hipótese confirmaram diferenças estatisticamente significativas nas respostas entre os três modelos, especialmente nas questões de tolerância ao risco.

B. Efeito das Personas Atribuídas

• Apetite ao Risco: Todos os modelos ajustaram suas pontuações de risco conforme instruído (Aversivo ~10, Neutro ~20, Buscador ~30+). No entanto, o GPT correlacionou maior tolerância ao risco com um horizonte de tempo maior, enquanto o Gemini reduziu o horizonte de tempo para o perfil "buscador de risco".
• Idade: Todos os modelos atribuíram as pontuações de risco mais altas ao grupo de 20 anos e as mais baixas ao grupo de 50 anos. O GPT apresentou a maior variação de risco entre as faixas etárias.
• Riqueza: A pontuação de risco aumentou significativamente com o aumento do nível de riqueza em todos os modelos.
• Experiência: A falta de experiência resultou em pontuações de risco significativamente menores em comparação com experiência "alguma" ou "profissional". O Llama foi o mais sensível a essa variável, atribuindo a menor pontuação de risco ao grupo sem experiência.

C. Significância Estatística

Os testes (ANOVA e Kruskal-Wallis) confirmaram que as diferenças observadas ao atribuir diferentes perfis (idade, riqueza, etc.) são estatisticamente significativas (p < 0.01 na maioria dos casos), indicando que os modelos respondem de forma não trivial às instruções de personalização.

5. Significado e Conclusão

O estudo conclui que os LLMs têm o potencial de fornecer perfis de risco estruturados e adaptáveis, mas apresentam tendências inerentes e vieses específicos de cada modelo.

• Implicações Práticas: O uso de LLMs como consultores financeiros automatizados exige cautela. Um investidor poderia receber recomendações de alocação de ativos drasticamente diferentes dependendo de qual modelo (GPT vs. Gemini vs. Llama) é utilizado, mesmo com o mesmo perfil de usuário.
• Recomendação: Embora a engenharia de prompts (atribuição de personas) funcione para ajustar o comportamento do modelo, os desenvolvedores e instituições financeiras devem estar cientes do "perfil padrão" do modelo e da variabilidade de suas respostas. A validação humana e a calibração cuidadosa são essenciais antes da implementação em larga escala de conselhos financeiros automatizados baseados em LLMs.

Em suma, os LLMs podem ser guiados para refletir preferências de investidores, mas não são ferramentas neutras; suas respostas são moldadas tanto pelo prompt quanto por suas próprias características de treinamento e arquitetura.