대규모 언어 모델(Large Language Models, LLMs)은 이제 로보 어드바이저(robo-advisors)와 트레이딩 에이전트(trading agents)를 구동하고 있지만, 이들이 특정 자산에 대해 내재된 편향(biases)을 가지고 있는지 여부는 거의 검증되지 않았습니다. 우리는 세 가지 질문을 던집니다. LLM이 특정 금융 상품을 체계적으로 선호하는가; 이러한 선호도에 인과적 영향력(causal leverage)을 미칠 수 있는 내부 표현(internal representation)을 식별할 수 있는가; 그리고 그 표현이 다운스트림(downstream) 금융 결정에 영향을 미치는가? 우리는 3단계 감사 프로토콜(audit protocol)을 개발하여 이를 Bitcoin에 적용했습니다. 첫째, 8개의 프런티어(frontier) LLM에 대한 행동 감사(behavioral audit) 결과, 화폐 유사 상품들 사이에서 Bitcoin의 순위는 프레임(frame)에 따라 달라짐을 보여줍니다. 모델들은 이를 '신뢰할 수 있는 화폐' 프레임에서는 8개 중 5위 정도로 배치하지만, 위기 및 자율 에이전트(autonomous-agent) 프레임 하에서는 최상위권에 배치합니다. 또한 속성 교체(attribute-swap) 실험을 통해 순위가 이름이 아닌 기능적 특성을 따른다는 것을 확인했습니다. 둘째, 모델의 내부를 조사합니다. Gemma 3 내 수천 개의 희소 오토인코더(sparse-autoencoder) 특징(features)을 탐색하여 지배적인 Bitcoin 선택적 특징을 식별했습니다. 프롬프트에