Feb, 2024

Ploutos: 朝着可解释的股票动态预测的金融大语言模型

PDF
TL;DR在金融投资领域，大型语言模型 (Large Language Models，LLMs) 的完全潜力尚未得到充分利用。针对量化金融的典型深度学习方法存在两个主要挑战：一是难以灵活地融合文本和数值信息进行股票运动预测，二是传统方法缺乏清晰度和解释性，这阻碍了其在需要预测的理由至关重要的场景中的应用。为解决以上挑战，我们提出了一种名为 Ploutos 的新型金融 LLM 框架，其中包括 PloutosGen 和 PloutosGPT。PloutosGen 包含多个主要专家，可以分析不同模态数据，如文本和数字，并从不同的角度提供量化策略。然后，PloutosGPT 结合他们的见解和预测，生成可解释的理由。为了生成准确和可信的理由，PloutosGPT 的训练策略利用后视镜提示机制来引导 GPT-4 生成理由，并利用动态令牌加权机制通过增加关键令牌的权重来微调 LLM。广泛的实验证明，我们的框架在预测准确性和解释性方面优于最先进的方法。
large language modelsfinancial investmentstextual and numerical informationploutosinterpretability
发现论文，激发创造
  • FinGPT: 金融大型语言模型的互联网规模数据民主化

    金融行业中，大型语言模型（LLMs）表现出了非凡的水平，在理解和生成类似人类的文本方面具有巨大的潜力，然而，现有的 LLMs 在金融领域中存在不足之处，这主要归因于一般文本数据和金融文本数据之间的差异。为了解决这个问题，我们引入了一种开源数据为中心的框架 —— 金融生成预训练 Transformer（FinGPT），通过自动收集和筛选来自互联网上的实时金融数据，为研究人员和从业人员提供了开放和透明的资源，以开发他们的 FinLLMs。此外，我们提出了一种简单而有效的策略，即使用市场的内在反馈进行 FinLLM 的精细调整，称为股票价格强化学习（RLSP）。最后，我们展示了几种 FinGPT 的应用，包括机器顾问，算法交易的情感分析以及低代码开发。FinGPT 旨在民主化金融领域的 LLMs，激发创新，并在开放金融领域中开启新的机会。

    Jul, 2023

  • 通过大型语言模型整合股票特征和全球信息以提升股票收益预测

    通过引入 LG 模型和 SCRL 方法，我们提出了一个用于量化投资的创新框架，能够有效将 Large Language Models 中包含的语义信息与现有的量化股票特征相结合，以提高金融新闻分析和股票收益预测的性能。在中国 A 股市场中，我们的框架相较于仅依赖于股票特征的模型，表现出卓越的排名信息系数和收益表现。

    Oct, 2023

  • BloombergGPT: 金融领域的大型语言模型

    本文介绍了 BloombergGPT， 这是一个在大量金融数据上训练得到的具有 500 亿参数的语言模型。通过使用混合数据集进行训练，我们得到的模型不仅在金融任务上表现出色，还在普遍的 LLM 基准测试上得到了不错的表现，同时也解释了模型构建、训练过程和评估方法。

    Mar, 2023

  • FinGPT: 开源金融领域大型语言模型

    本文介绍了一种基于数据驱动和透明资源的开源金融领域大型语言模型（FinGPT），通过自动数据处理管道和低秩度量适应技术，为研究人员和从业者提供访问、透明的资源，并展示了机器人顾问、算法交易和低代码开发等潜在应用。

    Jun, 2023

  • 利用自反思大型语言模型学习生成可解释的股票预测

    提出了一种利用自我反思的机器人和接近策略优化（PPO）的 Summarize-Explain-Predict（SEP）框架，让大型语言模型（LLMs）自主学习如何生成可解释的股票预测，通过自我推理学习如何解释过去的股票动态，并使用 PPO 训练器生成最可能的解释。使用该框架，对 LLM 进行了微调，其在股票分类任务的预测准确性和 Matthews 相关系数方面优于传统深度学习和 LLM 方法，并通过各种投资组合指标证明了其有效性。

    Feb, 2024

  • 金融监管解释的大型语言模型

    该研究探讨了大型语言模型作为解读复杂金融法规的分析工具的创新应用。其主要目标是设计有效的提示，指导语言模型将冗长而复杂的监管文本，如巴塞尔 III 资本要求规定，压缩为简明的数学框架，然后转化为可执行的代码。这种新颖方法旨在简化全球银行机构在财务报告和风险管理系统中实施监管要求的过程。通过案例研究评估了各种语言模型的性能，结果表明 GPT-4 在处理和收集必要信息以及执行数学计算方面优于其他模型。案例研究使用了包括固定收益、股票、货币对和大宗商品在内的资产持有进行数值模拟，以展示语言模型如何有效实施巴塞尔 III 资本充足性要求。

    May, 2024

  • 用 LLM 彻底改革金融：应用和洞见概述

    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

  • GPT-InvestAR: 通过大型语言模型对年度报告分析增强股票投资策略

    年度报告包含了上市公司的财务状况，有助于评估其对股票价格的潜在影响。本文利用大型语言模型的能力简化了所有公司年度报告的评估过程，并通过历史股价数据编制了量化模型数据集，使用机器学习模型进行训练，结果显示出对标普 500 指数的良好超额收益。该研究为未来相关工作提供了一个框架，同时开源了相关代码。

    Sep, 2023

  • FinVis-GPT：一个用于金融图表分析的多模态大型语言模型

    本文提出了一种新颖的多模式大型语言模型 FinVis-GPT，专为金融图表分析而设计。通过利用 LLM 的强大能力以及整合指令调整和多模式功能，FinVis-GPT 能够解释金融图表并提供有价值的分析。通过进行几个案例研究，我们评估了模型的性能，结果表明 FinVis-GPT 在包括生成描述、回答问题和预测未来市场趋势等各种金融图表相关任务中优于现有的最先进多模式 LLMs。所提出的 FinVis-GPT 在金融领域中利用多模式 LLMs 的尝试是开创性的，我们生成的数据集将在不久的将来发布以加速相关研究。

    Jul, 2023

  • 时间序列数据与 LLM 相遇 - 可解释的金融时间序列预测

    本文研究了利用大型语言模型在可解释金融时间序列预测中的应用，使用股票价格数据、公司元数据和历史新闻等多模态信号，在 NASDAQ-100 股票上进行实验，结果显示与一些基准模型相比，使用 GPT-4 和 Open LLaMA 这类新型模型进行零样本 / 少样本推断并通过基于指令的微调生成可解释预测，优于经典的 ARMA-GARCH 模型和梯度提升树模型。

    Jun, 2023