The Ladder Theory of Behavioral Decision Making
本文从一般的角度研究个体决策行为。通过形式化的数学模型，研究了任务属性主观感知变化下决策行为的作用机制。我们的模型是建立在两种经典的行为决策理论：“前景理论（PT）”和“形象理论（IT）”的工作。在整个决策过程中考虑了决策者的主观属性偏好。根据多属性决策的描述，归纳出策略收集和选择机制。提出了一种新的行为决策框架--“阶梯理论”。通过四个案例的比较，结果表明，在某些决策情境下，LT比PT和IT具有更好的解释和预测能力。此外，我们使用我们的模型来阐明，LT理论可以涵盖PT和IT理想。它是对经典行为决策理论的丰富和发展，对解释大量现实决策现象具有积极的理论价值和指导意义。它可能有助于我们理解个人决策实际上是如何进行的。
2018-09-13 econ.GN q-fin.EC
Emergent inequality and endogenous dynamics in a simple behavioral macroeconomic model
标准的宏观经济模型假设家庭是理性的，因为他们是完美的效用最大化者，并根据使经济偏离稳态的冲击来解释经济动态。在这里，我们建立在一个标准的宏观经济模型中，一个单一的理性代表家庭作出储蓄决定多少消费或投资。在我们的模型中，家庭是近视的、有限理性的、嵌入社会网络中的异质代理人。每个家庭不时地通过复制其消费最高的邻居的储蓄率来更新其储蓄率。如果更新时间短，经济陷入贫困陷阱，但更新时间长，经济产出接近其最优值，我们观察到一个关键的过渡到一个经济不规则的内生振荡的经济产出，类似于一个经济周期。在这种制度下，家庭分为两类：储蓄率低的贫困家庭和储蓄率高的富裕家庭。因此，不平等和经济动态都是由于家庭决策不完善而自发产生的。我们在这里的工作支持一个替代方案的研究，替代效用最大化的行为接地决策。
2019-07-03 econ.GN q-fin.EC
Behavioral epidemiology: An economic model to evaluate optimal policy in the midst of a pandemic
本文将疾病动力学的典型流行病学模型与政府的封锁和检测政策以及代理人为避免被感染而决定的社会距离相结合。该模型使用美国的死亡和测试结果数据进行校准。结果表明，一个中间，但长期的封锁是社会最优的死亡率和GDP时，考虑到。这是因为政府希望经济继续产生一些产出，而减少感染方面的松懈被社会距离代理人所弥补。保持社会距离是对政府最佳政策的最佳回应，以保持有效生殖数量为1，并避免在大流行期间出现多波。校准表明检测是有效的，但如果从大流行开始就积极开展检测，它可能会更有用。没有任何封锁或关闭社交距离会产生极端的后果。加强对社会活动的集中控制将进一步减缓大流行病的传播。
2022-02-08 econ.GN q-fin.EC
Decision and Gender Biases in Large Language Models: A Behavioral Economic Perspective
DEMS, University of Bicocca（DEMS，比科卡大学）；DEMS, University of Bicocca and BETA, University of Strasbourg（DEMS，比科卡大学和BETA，斯特拉斯堡大学）
本研究从行为经济学视角，通过最后通牒博弈和赌博博弈实验，探究Google Gemma7B和Qwen等大型语言模型的决策行为，发现其存在减弱但持续的理性偏离及性别条件差异，为理解LLMs的决策偏见提供了实证依据。
2025-11-15 cs.AI econ.GN q-fin.EC
The AI Economist: Optimal Economic Policy Design via Two-level Deep Reinforcement Learning
Salesforce Research（赛富时研究院）；Harvard University（哈佛大学）
人工智能和强化学习（RL）已经改善了许多领域，但尚未广泛应用于经济政策设计，机制设计或经济学。与此同时，当前的经济学方法受到缺乏反事实数据、简单化的行为模型以及有限的政策实验和评估行为反应的机会的限制。在这里，我们表明，基于机器学习的经济模拟是一个强大的政策和机制设计框架，以克服这些限制。人工智能经济学家是一个两级深度强化学习框架，可以训练智能体和社会规划者共同适应，为高度不稳定和新颖的两级强化学习挑战提供了一个易于处理的解决方案。从一个简单的经济规范，我们学习理性的代理人的行为，以适应学习计划者的政策，反之亦然。我们证明了AI经济学家在最优税收问题上的有效性。在简单的一步经济中，AI经济学家恢复了经济理论的最优税收政策。在复杂、动态的经济体中，AI经济学家大大改善了功利主义的社会福利以及平等与生产率之间的权衡。尽管出现了税收博弈策略，但它仍然如此，同时比经济理论更准确地解释了代理人的相互作用和行为变化。这些结果首次表明，两级深度强化学习可以用于理解，并作为经济设计理论的补充，开启了一种新的基于计算学习的方法来理解经济政策。
2021-08-05 cs.LG econ.GN q-fin.EC
Does Anxiety Improve Economic Decision-Making?
University of Oxford（牛津大学）；University of Copenhagen（哥本哈根大学）
研究发现焦虑情绪与日常经济决策质量相关，尽管物质条件影响决策，但情绪状态同样重要，焦虑反而提升了频繁的消费决策质量。
2026-03-23 econ.GN q-fin.EC
Large Effects of Small Cues: Priming Selfish Economic Decisions
本文通过美国和以色列的社会困境实验，提出经济学与非经济学学生自利行为差异源于情境线索解读不同，并证明启动经济或社会规范线索会显著改变两类学生的利润最大化倾向。
2024-05-06 econ.GN q-fin.EC
Spending Behavior and Economic Impacts of Urban Digital Consumption Vouchers
本文基于用户调查数据和区域投入产出模型评估“台北熊好券2.0”计划，发现消费券有效性因类型而异，考虑支出替代和引致消费等行为反应后，产出乘数显著上升，为设计更有效的消费券政策提供了指导。
2025-07-15 econ.GN q-fin.EC
Assessing Co-Authored Papers in Tenure Decisions: Implications for Research Independence and Career Strategies in Economics
本文研究经济学高影响力期刊中独著与不同类型合作对长期学术成功的影响，证实独著更利于产出与引用，并为教职评估和发表策略提供依据。
2025-01-10 econ.GN q-fin.EC
On the dynamics emerging from pandemics and infodemics
这份立场文件讨论了与COVID-19大流行相关的新兴行为、社会和经济动态，并特别强调了两个新兴问题：第一，延迟效应（或二次打击）的流行病引起的恐惧风险效应进行了讨论，其中两个因素可能会影响这种影响的存在被确定，即信息的可获得性和政策决定对适应行为的影响。其次，讨论了个人对危险事件的准备问题。由于COVID-19大流行等事件展现出难以预测的复杂行为模式，因此需要考虑行为、社会和经济动态的复杂模型来评估决策的有效性和效率。
2020-04-19 cs.SI econ.GN math.DS
Think, Speak, Decide: Language-Augmented Multi-Agent Reinforcement Learning for Economic Decision-Making
本文提出LAMP框架，通过思考、表达、决定三阶段整合语言信息，提升经济决策的效率与鲁棒性，实验显示其在累积收益和可解释性上优于传统方法。
2026-03-21 cs.AI econ.GN q-fin.EC
The Emergence of Economic Rationality of GPT
本研究检验GPT在四类偏好决策中的经济理性，发现其理性得分高于人类，偏好异质性更低，且理性得分对部分设置稳健但对语言框架敏感，展现了大语言模型的决策潜力。
2023-11-06 econ.GN q-fin.EC
Reproducing and Extending Experiments in Behavioral Strategy with Large Language Models
Drexel University（德雷塞尔大学）；University of Southern Denmark（南丹麦大学）
本研究提出用LLM智能体作为行为策略研究新方法，复现人类实验并验证其行为与人类相当，还通过分析智能体模拟想法发现前瞻性思维与偏好利用以增富的关联，为该领域研究提供新路径。
2024-10-09 cs.AI econ.GN q-fin.EC
Tabular Foundation Models and the Unity of Economic Behaviour
Simon Fraser University（西蒙菲莎大学）
本研究通过统一选择实验，用冻结的表格型基础模型恢复决策者隐藏选择，再估计随机效用模型，构建出适用于所有经济行为领域的统一模型，提升了选择预测效果。
2026-08-10 econ.GN q-fin.EC
Evaluating and Aligning Human Economic Risk Preferences in LLMs
The Hong Kong University of Science and Technology（香港科技大学）
本研究评估了LLMs在不同人物设定下的经济风险偏好，发现其在复杂经济决策任务中表现下降，并提出一种对齐方法以增强LLM对特定人物设定的风险偏好的遵循，从而提升其在风险相关应用中的经济理性。
2025-09-13 cs.CL econ.GN q-fin.EC
Can AI with High Reasoning Ability Replicate Human-like Decision Making in Economic Experiments?
本文通过多智能体模拟复现最后通牒博弈实验，发现生成式智能体推理能力越高，结果越偏离真人行为而接近理论解，并指出人格设定对复现真实经济实验结果的重要性。
2024-06-17 cs.GT econ.GN q-fin.EC
Efficiency through Evolution, A Darwinian Approach to Agent-Based Economic Forecast Modeling
本文提出一种达尔文式智能体建模方法，以简单规则和演化机制实现宏观经济预测，在FIGARO数据约束下用奥地利案例验证其能以低计算成本再现财富、企业规模和就业分布等经验规律。
2025-07-23 cs.CE econ.GN q-fin.EC
The Dynamics of Trust: A Stochastic Levy Model Capturing Sudden Behavioral Jumps
Department of Mathematics, Faculty of science, Semnan University（塞姆南大学理学院数学系）
本文提出基于莱维过程的随机模型，用于捕捉信任在现实世界中的突发行为跳跃，通过模拟信任崩溃、波动和恢复等动态，提供更真实的信任建模方法。
2025-12-20 econ.GN q-fin.EC stat.AP
Human Behavioral Models Using Utility Theory and Prospect Theory
网络物理人类系统（CPHS）的几个例子包括人类的实时决策，作为整个系统成功运行的必要组成部分。许多决策问题需要一个适当的人类行为模型。效用理论的工具已经成功地应用于交通运输中的几个问题，如资源分配和供需平衡\citep{ben1985discrete}。最近，前景理论已被证明是行为经济学和认知心理学中的一个有用工具，用于推导人类行为模型，这些模型描述了在存在随机不确定性和风险的情况下的主观决策，作为传统效用理论\citep{kahneman_prospect_2012}的替代。本文将介绍这些模型。展望理论的理论含义进行了讨论。我们将从共享交通等交通用例中抽取示例，以说明这些模型以及效用理论和前景理论之间的区别。
2022-10-13 cs.SY econ.GN eess.SY
Mobility decisions, economic dynamics and epidemic
本文构建了嵌入SIRD流行病模型的宏观动态均衡框架，分析个体流动性决策对经济与疫情的双向影响，通过平均场博弈证明均衡存在并基于意大利疫情校准，提出政策启示。
2023-10-11 econ.GN econ.TH q-fin.EC
LLMs Model Non-WEIRD Populations: Experiments with Synthetic Cultural Agents
Pomona College（波莫纳学院）；Claremont Graduate University（克莱蒙特研究生大学）；University of Arizona（亚利桑那大学）；Pitzer College（皮泽学院）
针对非WEIRD人群经济行为研究的挑战，提出用LLMs构建合成文化智能体开展经典行为实验的方法，验证了其行为与真人的相似性，可生成新假设并为难接触人群研究提供有效伦理的新工具。
2025-01-12 cs.AI cs.CL econ.GN
Relative Net Utility and the Saint Petersburg Paradox
University of Johannesburg（约翰内斯堡大学）
著名的圣彼得堡帕森斯（圣彼得堡帕森斯）表明，期望值理论并没有抓住现实世界的经济决策问题。多年来，许多经济理论被发展出来，以解决这个悖论，并解释经济价值理论在评估经济决策、预期结果的主观效用和圣彼得堡博弈中观察到的风险规避方面的差距。本文利用相对净效用的概念来解决圣彼得堡问题。由于净效用概念能够解释行为经济学和圣彼得堡学派，它被认为是处理效用的普遍方法。本文展示了净效用价值概念的信息内容如何使我们能够捕捉到决策可能成就的影响的更广泛背景。讨论了效用函数避免悖论的必要条件。结合这些必要条件，使我们能够定义在经济决策的评价无差异定理，并提出了价值理性决策过程中的相对净效用和净效用极性的作用。
2020-05-18 cs.AI econ.GN q-fin.EC
Bridging Expectation Signals: LLM-Based Experiments and a Behavioral Kalman Filter Framework
本文通过实验和行为卡尔曼滤波框架研究LLM在面对异质信号时如何更新期望，发现代理对信号的加权偏离单位，个体信号权重高于总体信号，同时信号存在负相互作用，且家庭与企业CEO的期望形成模式存在差异。
2026-01-24 cs.AI econ.GN q-fin.EC
Economic Struggles and Inflation: How Does that affect voting decision?
本研究基于 ANES 2024 Pilot Study1 数据构建综合通胀行为指数（IBR），发现个人经济困境更易促使选民反对本党现任者，而国家经济负面认知对政党忠诚的削弱作用较弱。
2024-07-27 cs.ET econ.GN q-fin.EC
Leveraging the Power of Place: A Data-Driven Decision Helper to Improve the Location Decisions of Economic Immigrants
Immigration Policy Lab, Stanford University（斯坦福大学移民政策实验室）；Department of Government, Dartmouth College（达特茅斯学院政府系）；Department of Political Science, University of California San Diego（加州大学圣迭戈分校政治学系）；Department of Political Science, Stanford University（斯坦福大学政治学系）；Graduate School of Business, Stanford University（斯坦福大学商学院）
越来越多的国家已经制定了吸引移民的计划，这些移民可以为他们的经济做出贡献。研究表明，移民最初到达的地点在塑造他们的经济成功方面起着关键作用。然而，移民目前无法获得有助于他们确定最佳目的地的个性化信息。相反，他们往往依赖于可用性策略，这可能导致选择次优的着陆地点，降低收入，提高外迁率，并集中在最知名的地点。为了解决这个问题，并抵消认知偏见和有限信息的影响，我们提出了一个数据驱动的决策助手，利用行为洞察，管理数据和机器学习方法来告知移民的位置决策。决策助手提供个性化的位置建议，反映移民的偏好，以及数据驱动的预测，他们最大限度地提高他们的预期收入鉴于他们的个人资料的位置。我们说明了我们的方法的潜在影响，使用回测进行的行政数据，从加拿大的快速通道系统与他们的收入从税务记录检索最近的经济移民的登陆数据。各种情景的模拟表明，向即将到来的经济移民提供位置建议可以增加他们的初始收入，并导致他们从人口最多的着陆目的地温和转移。我们的方法可以在现有的制度结构内以最低的成本实施，并为政府提供了利用其行政数据改善经济移民成果的机会。
2020-07-27 cs.CY cs.LG econ.GN
Learning from zero: how to make consumption-saving decisions in a stochastic environment with an AI algorithm
本练习提出了一种学习机制，使用人工智能文献中的行动者-批评者结构来模拟经济主体的决策过程。它的动机是通过强化好或坏的决定来学习的心理学文献。在一个环境模型中，为了学习做出决策，这个人工智能主体需要与其环境进行交互并做出探索性的行动。给定状态下的每个动作都会给智能体带来一个奖励信号。这些交互经验保存在智能体的记忆中，然后用于更新其对世界的主观信念。智能体的决策策略的形成和调整的基础上不断演变的主观信念。这个智能体不仅采取它知道会带来高回报的行动，它还探索其他可能性。这是采取探索性行动的过程，它确保代理人注意到环境的变化，并相应地调整其主观信念和决策。通过一个随机最优增长模型，我说明了在这种学习结构下的经济主体是适应经济的基本随机过程的变化。人工智能代理的探索水平可能不同，这导致在相同的环境中有不同的体验。这反映了他们不同的学习行为和获得的福利。所选择的经济结构具有宏观经济模型的基本决策问题，即，如何在一生中做出节约消费的决定，它可以推广到其他决策过程和经济模型。
2022-02-18 econ.GN econ.TH q-fin.EC
Measuring Behavior Portability in Large Language Models
Knowledge Lab University of Chicago（芝加哥大学知识实验室）；Data Science Institute Department of Sociology University of Chicago（芝加哥大学数据科学研究所社会学系）
提出一个形式化框架，通过拟合可解释行为模型并评估其在目标环境中的预测性能，量化LLM在不同支付等价决策环境中的行为可移植性，实验发现显著且系统的可移植性损失。
2026-06-23 cs.AI cs.CY cs.GT
Differentiating Approach and Avoidance from Traditional Notions of Sentiment in Economic Contexts
UCL（伦敦大学学院）；University of Buckingham（白金汉大学）；LSE（伦敦政治经济学院）
人们对情绪在经济决策中的作用越来越感兴趣。然而，大多数研究都集中在积极和消极的效价。信念叙事理论（CNT）将接近和回避情绪（驱动行动的情绪）置于现实世界决策的核心，并认为它更好地捕捉了金融市场中的情绪。这项研究将心理学和机器学习结合在一起，引入了新的技术，在基本意义层面上将接近和回避与积极和消极情绪区分开来。它通过比较单词列表来做到这一点，之前构建单词列表是为了在文本数据中捕获这些概念，跨越大范围的语义特征。结果表明，特别是回避是很好地定义为一个单独的类型的情绪，这是评价/认知和行动导向的性质。根据这些特征对回避词汇表进行细化，可以改进宏观经济模型，这表明它们抓住了回避的本质，并且在推动现实世界的经济决策方面发挥着至关重要的作用。
2021-12-05 cs.CL econ.GN q-fin.EC
Entropic Decision Making
利用神经生物学的结果，感性决策和价值为基础的决策，彩票之间的决策问题被重新制定在一个抽象的空间，不确定的前景映射到相应的积极的神经元表示。这种映射允许我们在新的空间中最大化非广延熵，并带有一些约束，而不是效用函数。为了实现与行为数据的良好协议，约束必须至少包括对刺激的加权平均值及其方差的约束。这两种限制都得到了神经元响应对外部刺激的适应性的支持。通过与热力学和信息引擎的类比，我们讨论了两种彩票之间的选择动力学，因为它们在大脑中同时被处理，通过速率方程描述了彩票之间的注意力转移和每张彩票的各种前景。该模型能够提供新的见解风险规避和行为异常不占前景理论。
2020-01-01 econ.GN q-bio.NC q-fin.EC
AI as Decision-Maker: Ethics and Risk Preferences of LLMs
University of Oxford（牛津大学）；Michigan State University（密歇根州立大学）
本文通过行为任务分析50个LLM，发现伦理对齐会因果性地增强风险厌恶并影响经济预测，从而提供衡量安全对齐与风险承担权衡的基准框架。
2025-06-10 cs.AI cs.CY cs.ET
Weak Supervision in Analysis of News: Application to Economic Policy Uncertainty
经济决策需要及时的数据分析，这促使大多数经济学家和决策者寻找非传统的补充数据来源。在这种情况下，文本数据正在被探索，以丰富传统的数据源，因为它很容易收集和高度丰富。我们的工作重点是研究文本数据，特别是新闻报道，用于衡量经济政策不确定性（EPU）的潜力。经济政策的不确定性是指公众无法预测他们在新政策和未来基本经济要素下的决策结果。量化EPU对政策制定者、经济学家和投资者来说非常重要，因为它影响他们对未来基本经济要素的预期，从而影响他们的政策、投资和储蓄决策。以前大多数使用新闻文章测量EPU的工作都是手动的或基于简单的关键字搜索。我们的工作提出了一种基于机器学习的解决方案，涉及弱监督，以根据经济政策的不确定性对新闻文章进行分类。弱监督被证明是一种有效的机器学习范式，用于在没有或缺乏训练集的低资源环境中应用机器学习模型，利用领域知识和知识。我们进一步生成了一个基于弱监管的EPU指数，我们使用该指数与爱尔兰宏观经济指标一起进行广泛的计量经济分析，以验证我们生成的指数是否预示着较弱的宏观经济表现
2022-09-20 cs.AI cs.CY cs.LG
