具有保障措施的动态目标选择和 LLM 财务决策监督

股票推荐和投资组合分配等财务决策任务通常会估计未来回报和风险，然后为投资者选择交易或分配，而所选择的优化目标通常决定实现的绩效。然而，由于市场条件随着时间的推移而变化，固定目标在不同制度下可能不是最优的，而依赖于潜在制度估计的制度切换渠道可能会产生噪音或延迟，而频繁的切换会增加营业额和运营不稳定。在本文中，我们提出了 DOSS（带保障措施的动态目标选择），这是一种基于学习的选择器，它直接从最近收益的可解释统计摘要中选择每个时间点与决策相关的目标函数，在一小部分候选者（例如寻求回报、规避损失和风险调整）中进行选择，而无需引入中间制度变量。 DOSS 将目标选择制定为目标的分类问题，并使用滚动窗口执行顺序更新，以在没有时间泄漏的情况下做出前瞻性选择，同时还输出每个提案的置信度得分。为了减少部署中的错误选择和过度切换，DOSS 采用具有故障保护功能的置信感知门控，将低置信度建议覆盖为保守的默认值，并强制执行与切换频率相关的显式控制。我们通过将 大语言模型 (LLM) 定位为监督组件而不是新目标的生成器来进一步整合治理：LLM 仅限于接受提议的目标或将其覆盖到预定义的安全默认值，并在需要时基于确定性规则的约束触发覆盖。