LLM能成为优秀的财务顾问吗？：个人决策优化结果的初步研究
本文对大规模语言模型在金融领域中的应用进行了可行性研究，探讨了任务形式、数据生成、提示方法和评估能力等方面，发现在6B参数时可以生成相关的金融推理结果，并提供了名为sFIOG的公开数据集，以支持未来的研究。
Apr, 2023
大规模语言模型在信用风险评估中的潜力研究表明，当遵循精心设计的提示并辅以领域特定知识时，这些语言模型可以与传统机器学习模型的性能相媲美。尤其值得注意的是，它们只使用了极少的数据-仅20个数据点，相比于机器学习模型的800个数据点少了40倍。大规模语言模型在降低误报率和增强公平性方面表现出色，这两个方面对于风险分析至关重要。虽然我们的结果没有超过传统机器学习模型，但它们突显了大规模语言模型在类似任务中的潜力，并为未来在多样化的机器学习任务中利用大规模语言模型的能力奠定了基础。
Jul, 2023
大型语言模型在自然语言处理任务中表现出色，我们通过对Chartered Financial Analyst (CFA) 考试模拟试题的全面评估，考察ChatGPT和GPT-4在金融分析方面的理解能力，包括零编程、连续思路和少量编程等场景的性能评估和限制，进而估计它们通过CFA考试的可能性，并提出改进策略以增强大型语言模型在金融领域的适应性。我们希望这项研究为继续改进金融推理方面的大型语言模型奠定了基础。
Oct, 2023
使用FinLMEval框架评估了大型语言模型在金融领域中的能力，并发现虽然一些只有解码器的LLM在大多数金融任务中表现出色，尤其是通过零-shot提示，但它们在处理专有数据集时通常落后于经过精调的专家模型。该研究为在金融领域构建更高级别的LLMs提供了基础评估。
Oct, 2023
近期大规模语言模型(LLM)的发展在金融领域开创了人工智能应用的新可能性。本文提供了一份实用的调查报告，关注LLM在金融任务中的两个关键方面：现有解决方案和采用指南。首先，我们回顾了目前在金融领域中采用LLM的方法，包括通过零样本或少样本学习利用预训练模型，对领域特定数据进行微调，以及从头开始训练自定义LLM。我们总结了关键模型并评估了它们在金融自然语言处理任务上的性能改进。其次，我们提出了一个决策框架，以帮助金融业专业人员根据数据、计算和性能需求选择合适的LLM解决方案。该框架提供了从轻量级实验到大规模投资自定义LLM的路径。最后，我们讨论了在金融应用中利用LLM所面临的限制和挑战。总的来说，该调查旨在综述最新技术并为负责任地应用LLM推动金融人工智能提供路线图。
Sep, 2023
经过调查，发现大型语言模型（LLMs）在金融行业消费者投诉中的使用与获取理想结果的可能性及语言特征改善相关，进一步实验证明了LLM在人类沟通中提升信息说服力的能力，并凸显了LLM在人类沟通中的转变潜力。
Nov, 2023
最近几年，大型语言模型（LLMs）如ChatGPT取得了显著的进展，并在各个领域得到了应用。这些模型建立在Transformer架构基础上，通过广泛的数据集训练，能够有效地理解和生成人类语言。在金融领域，LLMs的部署正在迅速发展。它们被用于自动化财务报告生成、预测市场趋势、分析投资者情绪和提供个性化的财务建议。利用其自然语言处理能力，LLMs可以从海量金融数据中提取关键见解，帮助机构做出明智的投资决策，提高运营效率和客户满意度。本研究全面介绍了LLMs在各种金融任务中的应用。此外，我们通过自然语言指令对多个金融任务进行了全面测试。我们的研究结果表明，GPT-4在各种金融任务中能够有效地遵循指令。这项对LLMs在金融领域的调查和评估旨在加深金融从业者和LLM研究人员对LLMs在金融中的作用的理解，发现新的研究和应用前景，并强调如何利用这些技术来解决金融行业的实际挑战。
Jan, 2024
本文介绍了FinRobot，一个基于LLM支持多个金融专业化AI代理的开源平台，旨在打破金融领域与AI社区之间的障碍，并推动人工智能在金融决策中的广泛应用。
May, 2024
使用大型语言模型（LLMs）在金融领域中的机器学习应用的最新进展，探讨了LLMs在各种金融任务上的应用，重点在于它们改变传统做法和推动创新的潜力，提供了进展和优势的讨论，包括上下文理解、迁移学习的灵活性和复杂情感检测等高级技术，以及将现有文献分类为主要应用领域，包括语言任务、情感分析、金融时间序列、金融推理、基于代理的建模和其他应用，详细介绍了每个应用领域的具体方法论，如文本分析、基于知识的分析、预测、数据增强、规划、决策支持和模拟。此外，还提供了与主流应用相关的数据集、模型资源和有用代码等资源，作为研究人员和实践者的参考。最后，概述了未来研究中的挑战和机遇，特别强调了该领域的几个独特方面。希望我们的工作能促进LLMs在金融领域的采用和进一步发展。
Jun, 2024