FinCon: 采用概念性语言强化的合成LLM多智能体系统,增强金融决策
本文通过13个问题,调查了基于大型语言模型(LLM)的聊天机器人在个人金融领域的表现,并发现虽然聊天机器人的输出流畅,但在提供准确可靠的金融信息方面仍存在关键性空缺。
Jul, 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
近期大型语言模型在各个领域的问答任务中表现出了显著的效能,这些模型在整合广泛的网络知识方面非常强大,因此引发了开发以大型语言模型为基础的自主智能体的兴趣。本研究将引入一种名为FinMe的创新的以大型语言模型为基础的智能体架构,用于金融决策,其核心模块包括个人特征概述、层次化处理的记忆模块以帮助智能体吸收现实中的金融数据以及决策模块将从记忆中获得的洞见转化为投资决策,FinMe的记忆模块与人类交易员的认知结构非常相似,具有强大的解释性和实时调优能力,使智能体能够对超出人类感知限制的关键信息进行保留,从而提升了交易结果。该框架使得智能体能够自我演进其专业知识,灵活应对新的投资线索,并在多变的金融环境中不断完善交易决策。首先,我们将FinMe与各种算法智能体在可扩展的真实金融数据集上进行比较,突出了其在股票和基金交易中的领先交易性能。然后,我们对智能体的感知跨度进行了微调,以取得显著的交易表现。总的来说,FinMe提供了一个先进的以大型语言模型为基础的智能体架构,用于自动化交易,提升了累积投资回报。
Nov, 2023
通过引入一个包含两个层级循环的原则性框架,本文解决了基于大型语言模型的自主代理在专门领域如量化投资中构建和整合领域特定知识库的难题。通过内部循环以知识库为基础来改进回应,外部循环中在真实场景中测试这些回应以自动增强知识库。实证结果展示了QuantAgent在发现可行金融信号和提升金融预测准确性方面的能力。
Feb, 2024
介绍了一种名为FinTral的多模态大型语言模型套件,通过使用领域特定的预训练、指导微调和RLAIF训练等方法,结合文本、数值、表格和图像数据进行金融分析,并演示了其在金融技术中能够在实时分析和决策方面取得显著进展。
Feb, 2024
通过引入FinBen综合开放式评估基准,本文对15个具有代表性的LLMs进行评估,揭示了它们在金融领域的优势和局限性,找出了需要有针对性增强的方面。
Feb, 2024
金融交易是市场的关键组成部分,涵盖了新闻、价格和K线图等多模态信息,应用于定量交易和高频交易等不同任务。本论文介绍了FinAgent,一个多模态的金融交易代理,利用深度学习和强化学习等先进AI技术处理复杂数据,并在多个数据集上取得显著改进。
Feb, 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
提出了基于代理的模拟金融市场(ASFM)的大型语言模型代理作为股票交易员,可以全面了解当前市场动态和金融政策信息,并制定与其交易策略相一致的决策,该模型在实验中与真实股市一致,并且与经济学研究初步发现相符合,为经济研究提供了新的范式。
Jun, 2024