基于大型语言模型代理的资产定价模型
通过数据中心的方法，我们提出了一种能够更好地处理金融任务的金融LLM（FLLM）模型，通过多任务提示优化来对数据进行预处理和预理解，并通过推断增强推理（AAR）自动生成训练数据，实验结果表明，我们的数据中心FLLM模型显著优于基于原始文本的金融LLMs，在金融分析和解释任务上达到了最新水平，我们还开源了一个新的金融分析和解释基准，这种方法为解锁LLMs在复杂现实领域的潜力提供了希望。
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
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
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
结构化金融和人工智能的整合提高了资本市场的效率，通过自动化验证贷款申请和银行对账单之间的信息，减少人工错误和简化尽职调查，为金融文件分析和风险管理提供了更广泛的应用。
May, 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
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
本研究针对现有深度学习模型在金融交易中普遍存在的不稳定性和高不确定性问题，提出了一种利用大型语言模型（LLMs）和多代理架构的新框架。通过整合多模态金融数据挖掘alpha因子，实验结果表明该框架在多个金融指标上显著优于现有的基线，标志着AI驱动的量化投资策略的新进展。
Sep, 2024