BiasMix-Finance：用于大语言模型投资组合建议的生成后KYC护栏

大语言模型 (LLM) 可以生成听起来合理的 ETF 投资组合，同时默默地违反对风险、费用和多元化的基本 KYC 式限制。这在代理多轮咨询系统中尤其成问题，其中每个建议草案都可能成为一项行动，除非受到可审计的执行层的保护。我们研究了一种与模型无关、与资产无关的生成后护栏管道：(i) 强制执行严格的 JSON 分配模式，(ii) 根据数字上限验证分配，以及 (iii) 当发生违规时，通过凸二次规划 (QCQP) 确定性地将输出投影到最近的可行投资组合。我们推出 BiasMix-Finance (Mini)，这是一个紧凑的压力测试基准，用于在有偏见的 LLM 一代下进行受限决策，具有 16 个 ETF 宇宙、三个投资者概况和八个偏见提示。在三种模型和三种推理模式（直接、批判、自我一致性）中，第一代在 47.6-85.7% 的测试用例（合计 67.2%）中至少违反了一个上限，但凸投影层将最终可行性违规降低到 0%，同时只需要很小的校正距离（测试合计中位数 D=||w*-w0||_2=0.066），这表明护栏通常保留原始意图分配。我们报告违规率和带有置信区间的校正距离，以及与多重测试校正的配对模型比较。为了支持可重复性，我们在公共 GitHub 存储库中发布了数据集、提示、上限和代码。