введение

В современной быстро развивающейся финансовой сфере важность анализа данных и принятия решений становится все более заметной. В условиях постоянного развития технологий искусственного интеллекта, особенно с появлением больших моделей (LLM), финансовые специалисты и обычные пользователи сталкиваются с общей проблемой: как эффективно использовать эти передовые технологии для повышения точности анализа и качества принятия решений.

С этой целью автор этой статьи предлагает ИИ с открытым исходным кодом. Agentплатформа——FinRobot,Разработан, чтобы помочь пользователям выполнять расширенный финансовый анализ с помощью больших моделей (LLM).。Это не только дляфинансы Мощный инструмент для профессионалов.,улучшить свое понимание и прогнозирование рыночных тенденций,Он также предоставляет простую для понимания и использования платформу для обычных пользователей.,Это позволит им с большей уверенностью участвовать в финансовом рынке.

https://arxiv.org/pdf/2405.14767

Предыстория

Финансовый анализ обычно включает интерпретацию рыночных тенденций, прогнозы экономических результатов и рекомендации по инвестиционной стратегии. Финансовый анализ предшествует финансовым решениям. Если мы хотим разделить его на две категории, то в основном это фундаментальный анализ и технический анализ. Фундаментальный анализ в основном изучает компании и дает оценки, тогда как технический анализ изучает поведение рынка, чтобы предсказать будущие тенденции цен. Анализ основан на данных. Благодаря постоянному развитию цифровых технологий людям становится доступно все больше и больше данных для анализа.

В сфере финансов,Поскольку объем и сложность данных продолжают расти,финансы Практики постепенно будут полагаться на алгоритм искусственного интеллекта для анализа данных,И теперь машины уже могут выполнять автоматизированную обработку по методам человека-аналитика.,Это произвело революцию в финансовом анализе, прогнозировании рынка и многом другом. Традиционная модель искусственного интеллекта в основном решает простые единичные задачи.,Но с развитием больших моделей (LLM) и вычислительной мощности,AIвозможности были значительно улучшены。LLM способны усваивать обширные знания, понимать контекст и выполнять сложные логические рассуждения.,Сделать ИИ более широко используемым в сфере финансов,Способность решать несколько задач одновременно,и играть роль в более сложном анализе и принятии решений。

На основе великой Модели,Big ModelAgent начал постепенно использоваться в ряде сложных задач.,включая планирование、Управление памятью, использование инструментов и т. д.。Эти функции позволяютКрупные модельные агенты могут выполнять более сложные операции финансового анализа.,Может значительно заменить рабочую силу,Повышайте эффективность работы。В настоящее время большой МодельAgentУже применено к транзакциям（FinAgent）、финансытест на решение（FinMem）Сцена ожидания,Это демонстрирует растущее желание использовать новые технологии для решения сложных финансовых проблем. Хотя применение Big ModelAgent на финансовой сцене добилось определенного прогресса.,Но мы также сталкиваемся с некоторыми проблемами:

• "прозрачность" большой МодельAgent驱动的财务分析платформа,Как сделать процесс принятия решений более прозрачным,Чтобы завоевать доверие среди пользователей?
• «Глобальная рыночная адаптируемость» Как эффективно адаптироваться к многоязычным и мультикультурным нюансам мировых фондовых рынков, чтобы обеспечить всесторонний и точный анализ рынка?
• «Модельное разнообразие» Полагайтесь только на одного LLM Каковы ограничения таких архитектур, как GPT-4, для комплексного финансового анализа? Как разнообразная архитектура моделей повышает производительность?
• «Обработка данных в реальном времени»：большой МодельAgentплатформа如何高效管理和路由海量财务数据,Обеспечить, чтобы финансовый анализ был своевременным и точным?

Столкнувшись с вышеупомянутыми проблемами, автор этой статьи предлагает большую модель агентской платформы с открытым исходным кодом: FinRobot, которая использует LLM с несколькими источниками для выполнения разнообразных финансовых задач, оптимизации финансового рабочего процесса, а также повышения масштабируемости и прозрачности. FinRobot обеспечивает точную адаптацию к требованиям мирового рынка и оптимизацию производительности за счет архитектуры интеграции с несколькими источниками и конвейеров обработки данных в реальном времени.

FinRobot

Как показано на рисунке ниже, общая структура FinRobot разделена на четыре различных уровня, в основном включая: уровень агентов, уровень алгоритма большой модели, уровень LLMOps и DataOps, а также базовый уровень большой модели с несколькими источниками.

«Агентский слой» В основном он включает в себя подсказки финансовой цепочки мышления (CoT), предназначенные для расширения возможностей комплексного анализа и принятия решений; агент прогнозирования рынка, агент анализа документов и агент торговой стратегии, в основном разлагающий финансовые задачи на логические шаги и использующий расширенные возможности. алгоритмы и опыт в предметной области в сочетании с постоянно меняющейся динамикой финансовых рынков позволяют получить точную и действенную информацию.

«Уровень алгоритма финансового LLM» Этот уровень настраивает конкретные алгоритмы модели для конкретных полей и глобальных рынков. Он использует FinGPT, а также LLM из нескольких источников, например, для рынка США. Llama серии и для китайского рынка ChatGLM, каждая модель оптимизирована под региональную специфику. Модель «Сокол» превосходно подходит для анализа финансовых отношений. Кроме того, мультимодальная модель объединяет текст со свечными диаграммами, а FinRL оптимизирует такие задачи, как распределение портфеля, в то время как традиционные методы машинного обучения оптимизируют выбор акций. Такой подход обеспечивает высокую точность в таких деликатных операциях, как прогнозирование рынка и анализ финансовых документов.

「LLMOps && Уровень DataOps LLMOps уровень для реализации стратегии интеграции нескольких источников, используя ряд современных моделей для выбора наиболее подходящей для конкретных финансовых задач Магистр права. Первоначально развертывается обычный LLM; если производительность не идеальна, система динамически переключается на тонкую настройку; LLM для повышения эффективности. Этот адаптивный подход обеспечивает индивидуальные решения для различных финансовых сценариев, тем самым улучшая общую производительность платформы DataOps; Этот уровень управляет обработкой данных в реальном времени, что имеет решающее значение для быстрого реагирования рынка. Эта двухуровневая конфигурация повышает FinRobot Способность предоставлять своевременную и точную финансовую информацию в динамичных рыночных условиях.

«Базовый слой большой модели с несколькими источниками» Этот уровень поддерживает функциональность Plug-and-Play для различных общих и профессиональных программ LLM. Он образует основу платформы, обеспечивая актуальность всех моделей, их оптимизацию и постоянное соответствие последним достижениям в области финансовых технологий и стандартов данных.

Случаи применения

«Дело 1» Прогнозирование рынка — это набор крупных модельных агентов, предназначенных для синтеза последних новостей рынка и финансовых данных, чтобы обеспечить всестороннее представление о последних достижениях компании и потенциальных проблемах, а также прогнозировать тенденции цен на акции.

На рисунке выше показаны примеры ответов, предоставленные NVDA и Kweichow Moutai. Он показывает, что рыночные прогнозы хорошо синтезируют и предоставляют ценную информацию, собранную из разных источников информации. Кроме того, прогнозисты рынка дают советы о будущей траектории акций, подчеркивая их способность давать действенные рекомендации на основе аналитических данных.

«Дело 2» Генерация анализа документов представляет собой агенты искусственного интеллекта и большие языковые модели. (LLM) Прорывное использование в управлении финансовыми документами и создании отчетов. Приложение использует возможности искусственного интеллекта для углубленного анализа финансовых документов и автоматически генерирует подробные и содержательные отчеты. Как показано ниже: