（一）金融＋大模型的相关应用
（20241211）基于LLM和金融新闻驱动的强化学习投资组合管理
大型语言模型（LLMs）在金融领域的应用日益增多，提升决策和运营效率，如BlackRock利用LLMs进行公司分类，提取ESG数据构建知识图谱，检测10-K报告中的会计欺诈。在投资管理方面，LLMs在资产选择和组合管理中表现出色，GPT模型的资产选择优于随机选择，但在组合配置上优化模型更具优势。投资者态度对决策至关重要，个体投资者倾向于短期决策，而机构投资者更注重长期视角，且性别差异影响风险管理。
LLMs的输出因指定的角色（persona）而异，角色在医疗和游戏领域的应用已被验证，但在金融领域的潜力尚待探索。本研究探讨将经济指标数据输入LLMs以预测股票和政府债券组合的价格变动，并分析不同角色对投资组合管理的影响，比较LLMs与基准模型的表现。
LLM（大语言模型）结合集成方法能有效预测市场下跌，且在CPI上升期间，其投资策略的Sharpe比率优于买入持有策略。在CPI下降时，买入持有策略表现更佳。不同市场条件下，投资策略在收益、波动性和最大回撤等指标上表现各异。LLM策略在市场急剧下跌时能有效减仓，但传统策略在快速下跌中提供更好保护。
论文地址：https://arxiv.org/pdf/2411.19515
Github地址：https://github.com/YoshiaAbe/llm_based_portfolio_management
参考文章：https://mp.weixin.qq.com/s/vdVXV9OhrJ98u_gckgDWcg
（20241203）基于LLM和金融新闻驱动的强化学习投资组合管理
强化学习（RL）在金融交易中实现动态策略优化。本研究将大语言模型（LLM）衍生的情感分析整合进RL框架，以提升交易表现。实验对象包括苹果公司（AAPL）单股交易和ING Corporate Leaders Trust Series B（LEXCX）组合交易。情感增强的RL模型在净资产和累计利润上优于不含情感的RL模型。在组合交易实验中，情感增强模型超越了LEXCX的买入持有策略。结果表明，结合定性市场信号可改善决策，弥合定量与定性交易方法的差距。
论文地址：https://arxiv.org/pdf/2411.11059
参考文章：https://mp.weixin.qq.com/s/6-kTv_xHlaTjNXCspeunow
（20241203）量子力学+智能体！基于ϕ4格点场论的金融市场模拟
本文提出了一种ϕ4格点场论，模拟金融市场的特征，如收益的厚尾分布和波动聚集。每个格点代表一个代理，代理的买卖决策受邻居行为和多数或少数意见的影响。通过马尔可夫场结构进行ϕ4概率分布的构造性分解，并使用Ferrenberg-Swendsen采样步骤重组。数值验证表明，该多代理ϕ4场论能再现FTSE 100伦敦证券交易所指数的实证数据行为。并讨论了ϕ4场论中连续自由度的存在，提供了超越伊辛模型的多代理系统的表现能力。
论文地址：https://arxiv.org/pdf/2411.15813
参考文章：https://mp.weixin.qq.com/s/v9ffFvCOj9b7DAKGJVjxyQ
（20241203）FinVision：专为金融交易设计的多智能体股市预测框架
- FinVision: A Multi-Agent Framework for Stock Market Prediction
一种专为金融交易设计的多模态多代理系统，利用多个专门的LLM代理处理文本新闻、蜡烛图和交易信号图等数据。
本研究基于FinAgent框架，缩短训练时间并引入按投资组合百分比预测交易头寸的决策过程，以改善风险管理和资本配置。框架包含四个主要模块：摘要模块、技术分析模块、反思模块、预测模块。
论文地址：https://arxiv.org/pdf/2411.08899
参考文章：https://mp.weixin.qq.com/s/7QGns5SP6IIqsXCgOjGVcQ
（二）金融大模型
FinRobot （开源）
- FinRobot: An Open-Source AI Agent Platform for Financial Applications using Large Language Models
FinRobot，一个支持多种金融专用 AI 代理的开源平台，每个代理均由 LLM 驱动。平台架构包括：金融 AI 代理层，将复杂问题逻辑分解以形成金融思维链；金融 LLM 算法层，为任务定制模型策略；LLMOps 和 DataOps 层，利用相关数据进行模型训练和微调；以及多源 LLM 基础模型层，整合各类 LLM 资源。FinRobot 不仅服务于专业分析师，也让普通用户能够利用 AI 技术进行深入的金融分析。
项目：https://github.com/AI4Finance-Foundation/FinRobot
论文网址：https://arxiv.org/abs/2405.14767
FinGPT
- FinGPT: Open-Source Financial Large Language Models
FinGPT项目由AI4Finance-Foundation开发，是一个开源的金融大型语言模型（FinLLM）
FinGPT通过专注于顶级开源LLMs的轻量级改编，它不仅提高了透明度，还允许用户定制，以适应个性化金融咨询服务的兴起趋势。FinGPT集成了多个模型，如Llama-
FinGPT的特色模块包括FinGPT-RAG，专门用于金融情感分析，通过外部知识检索优化信息深度和背景，以及FinGPT-FinNLP，提供金融领域LLM训练和微调的完整流程。FinGPT-Forecaster是一个股价预测工具，可以快速适应新数据，与传统模型相比具有较高的成本效益。
FinGPT提供了多种数据集和多任务金融LLM模型，用于情感分析、金融关系提取和问答等任务，并能够有效、低成本地适应金融领域的动态变化，并利用“人类反馈强化学习（RLHF）”技术进行个性化学习。此外，FinGPT引入了新的指令调整范式，增强了模型适应多样化金融数据集的能力，并促进了开源大型语言模型在金融数据集中的系统性基准测试和成本效益
项目：https://github.com/AI4Finance-Foundation/FinGPT
论文网址：https://arxiv.org/abs/2310.04793
FinGLM
FinGLM 是一个致力于构建开放、公益和持久的金融大模型项目，旨在促进「AI+金融」的开源项目。该项目通过开源的方式探索金融领域中人工智能的应用边界。它主要关注于深度解析上市公司年报，利用AI技术实现专家级别的金融分析，面对金融文本中的专业术语与隐含信息，简化并提高对上市公司年报的解读准确性，帮助投资者更好地理解公司的经营状况、财务状况和未来规划。项目包括数据准备、模型微调、问答等多个流程，并提供了ChatGLM-6B 模型相关课程内容，涵盖PPT、视频和技术文档。
项目：https://github.com/MetaGLM/FinGLM
XuanYuan，轩辕（度小满中文金融对话大模型）
轩辕是国内首个开源的千亿级中文对话大模型，同时也是首个针对中文金融领域优化的千亿级开源对话大模型。轩辕在BLOOM-176B的基础上针对中文通用领域和金融领域进行了针对性的预训练与微调，它不仅可以应对通用领域的问题，也可以解答与金融相关的各类问题，为用户提供准确、全面的金融信息和建议。千亿级BLOOM-176B的模型已可以在Huggingface中申请下载。
2023年9月22日，度小满宣布“轩辕70B”金融大模型开源，所有用户均可自由下载和试用，并公布了“轩辕70B”在C-Eval、CMMLU两大权威大语言模型评测基准的成绩。
轩辕70B（度小满中文金融对话大模型）是由度小满金融开发的中文金融对话大模型，基于Llama2-70B模型进行中文增强。该模型融合了大量中英文语料的增量预训练，包括底座模型和使用高质量指令数据对齐的聊天模型。特别针对金融场景中的长文本业务，它将上下文长度扩展到了8k和16k。轩辕70B大模型在保持中英文通用能力的同时，显著提高了金融理解能力。该项目还包括了通用能力评测和金融领域评测，使用多种客观评测基准，以确保模型在金融领域的有效性和通用性。
项目：https://github.com/Duxiaoman-DI/XuanYuan
论文网址：https://arxiv.org/abs/2305.12002
FinanceIQ：中文金融领域知识评估数据集
在金融行业中，目前缺乏统一和完善的大模型评估标准。现有的通用框架如C-Eval和CMMLU在金融领域的适用性有限。FinanceIQ，作为轩辕项目的一部分，是一个中文金融领域知识评估数据集。它旨在有效评估模型在金融环境中的表现。该项目提出建立专为金融领域设计的评估体系，分为通用能力、专业知识和场景应用三部分。通用能力评估覆盖语言、数学等方面；专业知识评估重点关注金融领域的具体知识，如寿险、投资等；场景应用则侧重于模型在实际业务环境的表现。
该数据集涵盖了10个金融大类及36个金融小类，包含总计7173个单项选择题，包括CPA、税务师等多个金融领域考试，并且使用GPT4对题目进行改写以测试模型的泛化能力，保证评估的客观性和多样性。为了确保客观公正的评估，所有模型均放在“同一起跑线”上进行测试，题目经过改写和人工校对，以验证模型的泛化能力。FinanceIQ为轩辕项目提供了一个全面且细致的金融领域模型性能评估工具，这一体系旨在更精确评估模型在金融环境的表现，同时降低实际应用的试错成本。
项目：https://github.com/Duxiaoman-DI/XuanYuan/tree/main/FinanceIQ
Cornucopia（聚宝盆）：基于中文金融知识的LLaMA微调模型
该项目是一系列中文金融大模型的开源项目，提供了一套针对金融垂直领域的高效大语言模型训练框架，包括预训练、SFT、RLHF、量化等方法。项目基于LLaMA系列基模型，通过中文金融知识的指令微调（Instruct-tuning）进行了优化，使用中文金融公开问答数据和爬取的金融问答数据构建指令数据集，提高了模型在金融领域的问答效果。此外，项目还计划使用GPT3.5/4.0 API构建更高质量的数据集，并在中文知识图谱-金融、CFLEB金融数据集等基础上扩充指令数据集。近期，项目已发布了基于Chinese-LLaMA和Meta-LLaMA与中文金融数据进行指令微调的模型。
项目：https://github.com/jerry1993-tech/Cornucopia-LLaMA-Fin-Chinese
Auto-GPT MetaTrader，量化交易插件
Auto-GPT-MetaTrader-Plugin是一款连接MetaTrader交易账户至Auto-GPT的软件工具，使交易者能够利用GPT-4的强大功能进行金融交易。该插件支持执行和管理交易、获取账户信息、提供市场数据等功能，为交易者提供自动化和智能化的交易体验。这不仅展示了AI技术在金融交易中的应用潜力，还为交易者带来了更加高效、便捷的交易方式，进一步推动了金融科技领域的发展。
项目：https://github.com/isaiahbjork/Auto-GPT-MetaTrader-Plugin
PIXIU貔貅：开源金融大语言模型
PIXIU貔貅是一个面向金融领域的综合性框架。它包括基于LLaMA模型微调得到的首个金融领域大型语言模型（FinMA）、首个包含136K数据样本的指令数据，以及一个涵盖5个任务和9个数据集的评估基准。FinMA模型经过多任务指令调整，能够处理各种金融任务。与此同时，研究团队提出了一个标准化的金融语言模型评估基准，涵盖关键的金融任务，包括五个金融自然语言处理（NLP）任务和一个金融预测任务。实验结果表明FinMA在大多数任务上性能优于现有的LLMs，如BloombergGPT、ChatGPT和GPT-4，尤其是在金融情感分析、新闻标题分类、命名实体识别和股票运动预测方面。这证明了专为金融领域量身定制的LLMs的重要性。此外，所有相关的模型、数据集、基准和实验结果都已开源，以便于未来金融AI的研究。
项目：https://github.com/The-FinAI/PIXIU
论文：https://arxiv.org/abs/2306.05443
DISC-FinLLM，中文金融大语言模型
DISC-FinLLM 是一个专门针对金融场景下为用户提供专业、智能、全面的金融咨询服务的金融领域大模型，由复旦大学数据智能与社会计算实验室 (Fudan-DISC) 开发并开源。这个项目通过集成四个模组——金融咨询、金融文本分析、金融计算、金融知识检索问答，构成了一个多专家智慧金融系统。每个模组专注于不同的金融NLP任务，包括与用户就金融话题进行多轮对话、在金融文本上完成信息抽取、情感分析、文本分类、文本生成等任务，以及帮助用户完成数学计算和提供基于金融新闻、研报的投资建议等
项目：https://github.com/FudanDISC/DISC-FinLLM
论文：http://arxiv.org/abs/2310.15205
BBT-FinCUGE-Applications
项目“BBT-FinCUGE-Applications”致力于提升中文金融领域自然语言处理（NLP）的能力。它包括BBT-FinCorpus，这是一个大规模多样性的中文金融领域开源语料库，以及BBT-FinT5，这是一个基于T5模型架构的中文金融领域预训练语言模型。此外，项目还提供了一套金融领域自然语言处理评测基准CFLEB，涵盖了六种不同的NLP任务。这些成果有助于提高中文金融NLP的性能和泛化能力，尤其对信息抽取等关键任务表现出显著的优化效果。
该项目构建了目前最大规模的中文金融领域开源语料库，包含大约300GB的文本，源自四种不同类型的金融相关数据，如公司公告、研究报告、财经新闻和社交媒体内容。这一丰富多样的语料库有助于提高预训练语言模型的性能和泛化能力。
论文地址：
论文：https://arxiv.org/abs/2302.09432
评测基准网站：https://bbt.ssymmetry.com/index.html
项目地址：https://github.com/supersymmetry-technologies/BBT-FinCUGE-Applications
WeaverBird (织工鸟)
介绍：这是一个专为金融领域设计的智能对话系统。该系统采用了经过大量金融相关文本调整的GPT架构大型语言模型。这一项目由蚂蚁集团、芝加哥大学和TTIC的研究人员共同开发。这个项目的意义在于为金融领域提供了一个高度专业化和定制化的智能对话系统，有助于提高金融决策的效率和准确性，推动金融科技领域的发展。
论文：https://arxiv.org/abs/2308.05361
项目地址：https://github.com/ant-research/fin_domain_llm
FLANG (Financial LANGuage model)
介绍：FLANG (Financial LANGuage model) 是一个针对金融领域特定的预训练语言模型。该项目旨在利用金融关键词和短语进行更有效的掩码处理，同时采用跨度边界目标和内部填充目标。FLANG的架构基于ELECTRA训练策略，使用金融特定数据集和常规英语数据集（如Wikipedia和BooksCorpus）。该项目还包括FLUE（Financial Language Understanding Evaluation），这是一个综合性且多样化的金融领域基准测试，由5个不同的金融领域特定数据集构成。
项目地址：https://github.com/SALT-NLP/FLANG
InvestLM
介绍：InvestLM是由香港科技大学工商管理学院研究团队开发的一个项目，它是本港首个专为金融界设计的生成式人工智能（AI）开源大语言模型。InvestLM能就金融相关问题与用户进行对话，其回应质量可媲美知名的商业聊天机器人，例如OpenAI的ChatGPT。该模型是通过指令微调技术和精选的财经问答文本对LLaMA-65B模型进行训练得到的，旨在提高金融专业人士的工作效率，例如提供投资建议、写作财经文章等。InvestLM的性能被评为可与最先进的商用大语言模型相媲美，并且在理解金融文本方面展现了强大的能力。此外，研究团队还发现使用领域特定的高质量指令对模型进行训练比使用通用指令更有效果。
项目：https://github.com/AbaciNLP/InvestLM
论文：https://arxiv.org/abs/2309.13064
如何学习AI大模型？
我在一线互联网企业工作十余年里，指导过不少同行后辈。帮助很多人得到了学习和成长。
我意识到有很多经验和知识值得分享给大家，也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑，所以在工作繁忙的情况下还是坚持各种整理和分享。但苦于知识传播途径有限，很多互联网行业朋友无法获得正确的资料得到学习提升，故此将并将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。
第一阶段： 从大模型系统设计入手，讲解大模型的主要方法；
第二阶段： 在通过大模型提示词工程从Prompts角度入手更好发挥模型的作用；
第三阶段： 大模型平台应用开发借助阿里云PAI平台构建电商领域虚拟试衣系统；
第四阶段： 大模型知识库应用开发以LangChain框架为例，构建物流行业咨询智能问答系统；
第五阶段： 大模型微调开发借助以大健康、新零售、新媒体领域构建适合当前领域大模型；
第六阶段： 以SD多模态大模型为主，搭建了文生图小程序案例；
第七阶段： 以大模型平台应用与开发为主，通过星火大模型，文心大模型等成熟大模型构建大模型行业应用。
