論文の概要: Calibrating Behavioral Parameters with Large Language Models

• arxiv url: http://arxiv.org/abs/2602.01022v1
• Date: Sun, 01 Feb 2026 05:14:58 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-03 19:28:33.535618
• Title: Calibrating Behavioral Parameters with Large Language Models
• Title（参考訳）: 大規模言語モデルを用いた行動パラメータの校正
• Authors: Brandon Yee, Krishna Sharma,
• Abstract要約: 損失回避、隠蔽、外挿などの行動パラメータは資産価格モデルの中心である。 大規模言語モデル(LLM)を校正計測器として扱うフレームワークを開発した。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Behavioral parameters such as loss aversion, herding, and extrapolation are central to asset pricing models but remain difficult to measure reliably. We develop a framework that treats large language models (LLMs) as calibrated measurement instruments for behavioral parameters. Using four models and 24{,}000 agent--scenario pairs, we document systematic rationality bias in baseline LLM behavior, including attenuated loss aversion, weak herding, and near-zero disposition effects relative to human benchmarks. Profile-based calibration induces large, stable, and theoretically coherent shifts in several parameters, with calibrated loss aversion, herding, extrapolation, and anchoring reaching or exceeding benchmark magnitudes. To assess external validity, we embed calibrated parameters in an agent-based asset pricing model, where calibrated extrapolation generates short-horizon momentum and long-horizon reversal patterns consistent with empirical evidence. Our results establish measurement ranges, calibration functions, and explicit boundaries for eight canonical behavioral biases.
• Abstract（参考訳）: 損失回避、放牧、外挿などの行動パラメータは資産価格モデルの中心であるが、確実な測定は困難である。 本研究では,大規模言語モデル(LLM)を行動パラメータの校正計測器として扱うフレームワークを開発した。 4つのモデルと24{,}000のエージェント-scenarioペアを用いて、人間のベンチマークに対する減衰損失回避、弱いシェディング、ほぼゼロの配置効果を含む、ベースラインLLMの振る舞いにおける体系的合理性バイアスを文書化する。 プロファイルベースのキャリブレーションは、キャリブレーションされた損失回避、ハーディング、外挿、アンカーリングリーチ、またはベンチマーク等級を超えたいくつかのパラメータにおいて、大きく、安定で、理論的にコヒーレントなシフトを誘導する。 外的妥当性を評価するため, エージェントベース資産価格モデルに校正パラメータを組み込み, 校正外挿により短軸運動量と長軸反転パターンが経験的証拠と一致して生成される。 その結果, 8つの標準行動バイアスに対して, 測定範囲, 校正関数, 明示的境界を設定した。

関連論文リスト

• Calibration Strategies for Robust Causal Estimation: Theoretical and Empirical Insights on Propensity Score-Based Estimators [0.6562256987706128]
  推定と校正のためのデータの分割は、確率スコアに基づく推定器の性能に重大な影響を及ぼす。 提案手法は,確率スコア推定のためのキャリブレーション手法の最近の進歩を延長し,挑戦的な設定における確率スコアの堅牢性を向上させる。
  論文  参考訳（メタデータ） (2025-03-21T16:41:10Z)
• Multivariate root-n-consistent smoothing parameter free matching estimators and estimators of inverse density weighted expectations [51.000851088730684]
  我々は、パラメトリックな$sqrt n $-rateで収束する、最も近い隣人の新しい修正とマッチング推定器を開発する。 我々は,非パラメトリック関数推定器は含まないこと,特に標本サイズ依存パラメータの平滑化には依存していないことを強調する。
  論文  参考訳（メタデータ） (2024-07-11T13:28:34Z)
• Orthogonal Causal Calibration [55.28164682911196]
  我々は、因果校正作業を標準(非因果予測モデル)の校正作業に還元する一般的なアルゴリズムを開発する。 以上の結果から,既存のキャリブレーションアルゴリズムを因果的設定に応用できることが示唆された。
  論文  参考訳（メタデータ） (2024-06-04T03:35:25Z)
• Calibrating Large Language Models with Sample Consistency [76.23956851098598]
  本稿では,複数サンプルモデル生成系の分布から信頼度を導出する可能性について,一貫性の3つの尺度を用いて検討する。 その結果、一貫性に基づくキャリブレーション手法は、既存のポストホック手法よりも優れていることがわかった。 種々のLMの特性に合わせて,キャリブレーションに適した整合性指標を選択するための実用的なガイダンスを提供する。
  論文  参考訳（メタデータ） (2024-02-21T16:15:20Z)
• Monotonicity and Double Descent in Uncertainty Estimation with Gaussian Processes [52.92110730286403]
  限界確率はクロスバリデーションの指標を思い起こさせるべきであり、どちらもより大きな入力次元で劣化すべきである、と一般的に信じられている。 我々は,ハイパーパラメータをチューニングすることにより,入力次元と単調に改善できることを証明した。 また、クロスバリデーションの指標は、二重降下の特徴である質的に異なる挙動を示すことも証明した。
  論文  参考訳（メタデータ） (2022-10-14T08:09:33Z)
• Support estimation in high-dimensional heteroscedastic mean regression [2.07180164747172]
  ランダムな設計と、潜在的にヘテロセダスティックで重み付きエラーを伴う線形平均回帰モデルを考える。 我々は,問題のパラメータに依存するチューニングパラメータを備えた,厳密な凸・滑らかなHuber損失関数の変種を用いる。 得られた推定器に対して、$ell_infty$ノルムにおける符号一貫性と最適収束率を示す。
  論文  参考訳（メタデータ） (2020-11-03T09:46:31Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。