Este preprint introduce FinPersona-Bench para estudiar si agentes financieros basados en LLM mantienen mandatos conductuales a lo largo de una simulación. El artículo cruza 18 modelos, tres prompts financieros asociados a ENTJ, ISFJ e INTJ, tres mercados sintéticos, dos arquitecturas de prompt y cinco semillas durante 200 pasos. El mercado plano evalúa desviación respecto a una fracción de caja fijada por los autores; el crash usa máximo drawdown; y la burbuja usa una regla binaria de compra por debajo y venta por encima de un valor fundamental oculto. La comparación agregada informa que repetir el mandato reduce 12,7% la desviación de caja en el mercado plano y 12,6% el drawdown en el crash, pero empeora 8,8% la regla de valor en la burbuja. El efecto depende fuertemente del prompt y el escenario: en plano, la repetición ayuda al perfil conservador ISFJ en 17 de 18 modelos y perjudica al agresivo ENTJ en 16 de 18. Esta interacción es el resultado descriptivo más útil: reforzar una instrucción puede mejorar o degradar la política según si el mandato es apropiado para el entorno. Sin embargo, la implementación no mide el mecanismo que el trabajo denomina Mandate Salience Decay por acumulación de contexto. El agente static es un predictor sin estado: en cada día hace una llamada nueva, vuelve a enviar la persona completa como mensaje de sistema y añade solo la observación actual y dos valores de cartera. No conserva conversación, racionales ni tokens previos. El agente memory recibe el mismo sistema y además una versión corta e imperativa del mandato en el mensaje de usuario. Por tanto, el contraste identifica efectos de duplicación, posición, redacción y saliencia inmediata del prompt, junto con la trayectoria de la cartera; no demuestra olvido por contexto largo. El aumento 4,4x de la brecha del crash tampoco es una medida directa de saliencia: usa drawdown acumulativo, mercados que cambian de fase y carteras dependientes del camino. Tampoco es una validación psicométrica. MAS mide distancia a objetivos de caja .2, .5 y 1.0 asignados por los autores; el apéndice Big Five prueba dos arquetipos de prompt y un control numérico, sin cuestionario, fiabilidad, estructura factorial ni validez de criterio. La auditoría del repositorio encuentra una deriva grave: el runner público usa tres modelos, 100 días y temperatura .2, frente a 18, 200 y temperatura 0 en el artículo; no soporta las rutas Hugging Face/vLLM declaradas y no publica resultados ni clasificadores. Además, el mercado usa el RNG global de NumPy dentro de diez hilos. Cuarenta construcciones concurrentes con la misma semilla 42 produjeron 40 mercados distintos, mientras cinco secuenciales fueron idénticos. El emparejamiento static/memory por semilla no está garantizado en el orquestador liberado, lo que amenaza los Wilcoxon pareados. Los tests tampoco pasan desde un clon limpio. La conclusión defendible es estrecha: repetir un mandato en el prompt actual cambia de forma heterogénea una política financiera sintética; no se ha demostrado decaimiento psicométrico longitudinal ni pérdida de instrucciones por acumulación de contexto.
Pregunta de investigación
¿Mantienen agentes financieros basados en LLM una política compatible con mandatos de riesgo definidos por prompts durante 200 pasos, y cómo cambia su conducta al repetir un mandato corto en cada mensaje de usuario?