金融行業與AI社區之間存在數據和專業知識的障礙，影響AI在金融任務中的應用。FinRobot是一個開源AI代理平臺，利用多源LLM進行多樣化金融任務，提升透明度和可擴展性。

論文地址：https://arxiv.org/pdf/2405.14767

Github地址：https://github.com/AI4Finance-Foundation/FinRobot

摘要

金融行業與AI社區之間存在數據和專業知識的障礙，影響AI在金融任務中的應用。本文旨在開發金融專用的LLM工具鏈，推動AI在金融決策中的普及。FinRobot是一個基于LLM的開源AI代理平臺，支持多種金融專用AI代理，包含四個主要層次：

• 金融AI代理層：通過邏輯序列分解復雜金融問題。
• 金融LLM算法層：為特定任務動態配置模型應用策略。
• LLMOps和DataOps層：通過訓練/微調技術和相關數據生成準確模型。
• 多源LLM基礎模型層：整合多種LLM，直接訪問。

FinRobot為專業分析師和普通用戶提供先進金融分析的AI工具。

簡介

財務分析分為基本分析（公司估值）和技術分析（市場趨勢預測），并依賴于數據。隨著數字革命，數據量和復雜性增加，金融專業人士越來越依賴算法和人工智能（AI）進行數據處理。AI通過自動化任務（如情感分析和市場預測）改變了財務分析的方式，傳統AI模型已發展為更復雜的LLM（大語言模型）。AI代理利用LLM進行復雜功能（如規劃和記憶管理），減少人類干預。

FinRobot是一個開源AI代理平臺，利用多源LLM進行多樣化金融任務，提升透明度和可擴展性。

• 綜合金融AI代理框架，支持多種金融任務。
• 多源LLM集成，通過智能調度機制選擇最合適的LLM，適應全球市場的復雜性。

FinRobot目前已開源，促進金融AI社區的合作與創新。

相關工作

金融AI代理

AI驅動的金融系統如FinAgent和FinMem利用實時市場數據優化交易策略。過于關注回測和個股收益，忽視了流程導向的重要性。有效的交易代理應提升操作流程，自動化策略執行和下單，減少人工干預。從績效轉向流程導向可促進金融技術的可持續性和適應性。

開源AI代理框架

開源AI代理框架的發展促進了先進AI技術的普及。主要平臺包括AutoGPT、AutoGen、MetaGPT、HuggingGPT、ChatDev、Dify和Voyager，支持全球開發者的協作與創新。隨著對復雜金融工具的需求增加，專門針對金融任務的開源框架即將出現。

AI4Finance基金會與開源文化

AI4Finance Foundation推動金融科技的開源文化，致力于標準化實踐和開發開源資源。旨在為研究人員和行業專業人士提供協作環境，促進行業知識與創新的結合。通過應用AI技術于金融服務，加速技術進步，確保發展透明、可及且有益于金融行業。

FinRobot：一個金融領域的開源平臺

FinRobot的整體框架分為四個不同的部分，每個部分都旨在解決金融人工智能處理和應用的特定方面：

• 金融AI代理：引入金融鏈式思維（CoT）提示，提升復雜分析和決策能力，市場預測、文檔分析和交易策略代理利用CoT分解金融問題，提供精準可行的見解。
• 金融LLMs算法：配置專門調優的模型，使用FinGPT和多源LLMs（如Llama和ChatGLM），優化區域特性，結合多模態模型和傳統機器學習方法，確保市場預測和文檔分析的高精度。
• LLMOps和DataOps：LLMOps層動態選擇和微調LLMs以提升任務效果，DataOps層管理實時數據處理，增強市場響應能力，確保及時準確的金融洞察。
• 多源LLM基礎模型：支持多種通用和專業LLMs的即插即用功能，確保模型更新和優化，與金融技術和數據標準保持一致。

金融AI代理

FinRobot中的金融AI代理，由特定領域的AI代理組成，通過高級數據感知、認知處理和動態動作執行來增強財務分析：

• 感知模塊：捕捉和解讀多模態金融數據，使用先進技術結構化數據以便分析。
• 大腦模塊：核心處理單元，利用LLM和金融推理生成結構化指令。
• 行動模塊：執行大腦模塊的指令，進行交易、調整投資組合、生成報告或發送警報，積極影響金融環境。

多智能工作流

多代理工作流系統通過多個角色協作處理復雜金融數據，提升分析準確性和深度：

• Director：項目戰略領導，負責任務優先級、資源分配和團隊協調。
• Assistant：負責數據管理、初步分析和團隊溝通，支持其他分析師的工作。
• LLM Analyst：利用大語言模型分析金融文本，提取見解、進行情感分析和市場趨勢預測。
• Financial Analysts：在LLM Analyst指導下，進行定量數據分析，評估投資機會和風險策略。

各角色協作實現全面的金融分析，確保深入探索和解讀數據，支持戰略決策。

基于LLM進行工具調用

• API交互：通過Text2Params方法，將自然語言查詢轉化為API請求，提取關鍵參數以生成函數調用或API請求，適用于金融數據的獲取和操作。
• 代碼編譯：Text2Code技術用于動態生成和編譯代碼，支持根據用戶查詢和市場條件開發自定義算法。
• 高級AI算法：該層包含專為金融領域設計的先進AI算法，增強平臺在多種金融應用中的能力。

金融LLM

金融大語言模型（FinGPT）

FinGPT是專為金融領域設計的語言模型，提升自然語言理解能力。能夠分析復雜的金融文檔，如年報和實時新聞，提取關鍵信息，支持決策。通過監督微調，使用金融領域的“指令-響應”數據訓練。優化目標是最大化生成預期響應的概率，使用負對數似然函數進行訓練。

金融強化學習（FinRL）

FinRL利用集成深度強化學習算法優化交易策略，分析歷史和實時市場數據，以最大化財務回報并最小化風險，適用于股票投資組合配置。股票投資組合配置被建模為馬爾可夫決策過程（MDP），代理在狀態s_t下選擇動作a_t，依據策略π_θ(s_t)。動作導致新狀態s_t+1和獎勵r(s_t, a_t, s_t+1)，目標是優化策略。

金融機器學習（FinML）

FinML利用多種機器學習技術提升金融預測分析，包括回歸和神經網絡。

這些算法用于預測市場趨勢、消費者行為、信用風險等關鍵金融指標，支持決策。

關鍵指標為對數收益率（log-return），計算公式為：

其中，S為股票價格，nT為監測公司數量，f為預測期限。對數收益率是評估投資表現和制定金融策略的重要工具。

金融多模態LLMs

財務文檔包含文本、圖表和表格等多種數據類型，提供豐富的分析視角。開發了金融多模態LLM，能夠處理和綜合多種數據類型，提升財務文檔的理解深度。數學表示為：

其中x_t、x_g、x_h分別為文本、圖形和表格輸入。函數T、G、H將輸入轉換為統一的嵌入空間，LLM L合成這些嵌入以生成可靠的輸出，增強財務分析的準確性和可靠性。

LLMOps

LLMOps層具備高模塊化和可插拔性，支持快速集成和動態更換LLM。該層實現無縫模型集成，并包含嚴格評估和選擇適合特定金融任務的5個模型的機制。這些功能對維持運營效率和適應多樣化金融場景至關重要。

智能調度程序

智能調度器是確保模型多樣性的重要工具。它優化了不同大型語言模型（LLM）的集成與選擇，以適應各類任務。

智能調度器架構

智能調度器優化任務分配，包含以下組件：

• 指揮代理：負責任務分配，基于代理績效和適應性分配任務。
• 代理注冊：管理代理注冊和可用性，促進高效任務分配。
• 代理適配器：調整代理功能以適應特定任務，提升性能和系統整合。
• 任務管理器：管理和存儲針對各種金融任務的LLM代理，定期更新以確保相關性和有效性。

智能調度程序初始化過程

• 數據集創建：填充行業特定數據。
• 提示庫填充：為各個代理填充自定義提示。
• 任務評分填充：調用適配器評估響應，存儲評分于任務評分數據庫。

智能調度程序行動過程

• 任務啟動：用戶發起任務。
• 導演代理角色：評估任務輸入，按表現和相關性排名代理。
• 代理選擇與任務分配：將任務分配給排名最高的代理。
• 工作流進展與自我評估：任務完成后，代理進行自我評估，結果存儲于未來反思存儲。
• 工作流完成與評估：工作流結束時，代理評估結果并提供反饋以促進持續改進。

評分標準

• 數據收集：收集不同LLM在多項評估任務中的性能數據。
• 歸一化：將每個評估任務的結果歸一化到0到1之間。
• 權重分配：根據行業標準或專家意見為不同評估維度分配權重。
• 計算綜合得分：將歸一化得分乘以權重并求和得出任務得分。
• 結果分析：分析得分以排名和評估LLM，提供性能比較和選擇建議。

該結構提升了金融AI代理的操作效率，支持動態管理多樣化金融任務，增強了實時金融環境中復雜多代理場景的管理能力。

DataOps

DataOps層管理多樣化的金融數據，確保數據質量和市場代表性。高質量數據是AI模型準確性的基礎，支持金融決策。采用先進的數據處理技術，優化數據可訪問性和質量。

檢索增強生成

RAG技術結合了上下文檢索機制和大型語言模型（LLM），優化語言生成任務。LLMOps和DataOps層是FinRobot的核心，確保其在金融AI服務中的技術創新和可靠性。

多源LLM基礎模型層

多源LLM基礎模型層為FinRobot提供先進能力，適應全球金融市場動態需求。

• 插拔式功能：無縫集成和更新通用及專業LLM，保持平臺適應性。
• 模型多樣性與評估：涵蓋7億至720億參數的LLM，依據性能指標選擇最佳模型。
• 全球市場兼容性：支持多語言模型集成，增強對多樣金融數據的分析能力。

金融思維鏈（CoT）提示

簡介

鏈式思維提示技術通過結構化提示促進AI模型逐步推理，類似人類問題解決策略。該方法顯著提升復雜推理任務（如數學和常識推理）的表現。鼓勵模型闡述中間推理步驟，最終得出答案。提高準確性，增強決策過程的可解釋性和透明度。

金融CoT的概念

金融CoT提示結合了CoT技術與高級認知處理，提升AI驅動的金融分析決策能力。該方法通過邏輯順序引導AI模型，幫助金融專業人士解決復雜問題。將復雜金融場景分解為可管理的部分，逐一分析并綜合得出結論或建議。模仿人類推理，適用于估值、投資策略制定、市場趨勢分析和風險評估等深度分析任務。

金融CoT的實現

金融分析。FinRobot利用LLM進行財務報表分析，比較行業競爭者和歷史表現，識別異常財務比率，提供深刻的商業洞察。

業務特定分析。通過檢索增強生成（RAG），FinRobot從網絡獲取公司產品和服務數據，分析產品線、成本結構和供應鏈動態。

市場分析。FinRobot結合財務比率、市場數據和情緒分析，模擬市場參與者決策，評估公司股價走勢和估值，提供投資時機和金融工具的戰略指導。

估值分析。FinRobot整合多種數據源，評估股價和估值，提供針對不同風險閾值的投資評估和策略建議。

金融CoT提示的好處

現有數據提供商（如Bloomberg、FactSet等）使用的模板化數據提取方法，忽視了關鍵的運營指標和定性信息。手動分析耗時且重復，現有自動化工具在提取非結構化數據時效果有限。CoT Prompting的FinRobot通過模擬人類認知過程，提供更深入的財務分析，超越傳統的數字計算。

該方法利用大型語言模型（LLMs）分析金融專業人士的分析方法，關注公司基本面、行業特定指標和定性信息。優勢包括：不依賴固定模板、內嵌錯誤檢查、簡化人力勞動、從復雜數據中提取信息、提供清晰的來源解釋、適應性強并可通過監督和指令調優不斷改進。

市場模擬：超越分析師的模仿

市場模擬可以通過模仿人類分析過程，構建一個包含多種市場參與者的環境，反映市場動態。模擬環境中的代理人基于數據驅動的提示進行決策，模擬人類分析師的認知步驟。利用大型語言模型（LLMs）編碼決策框架，使代理人理解市場的定量和定性方面。

模擬框架包括：定義市場參與者角色與行為、實施多種數據輸入與決策模型、在不同時間范圍和條件下模擬市場互動、利用強化學習優化代理人策略。該概念為金融市場分析和策略優化的未來研究提供了有前景的方向。

演示應用程序和實踐教程

應用一：市場預測員

Market Forecaster是一套AI代理，旨在綜合市場新聞和金融數據。提供公司最新成就和潛在問題的全面洞察。預測股票價格走勢。作為初級機器人顧問，代表AI驅動金融顧問的重大進步。

數據

Market Forecaster利用多種數據源進行全球市場預測，關注美國和中國股市。收集的信息包括公司新聞、基本財務數據和股票價格。主要數據來源為Finnhub和EastMoney。

模型

該AI代理基于微調的FinGPT-Forecasters，使用Llama-2-7b-chat-hf與LoRA。數據來源于最新一年的美國道瓊斯30和中國上證50，確保對主要股票的精準預測。展示了在不同股票符號上的強大泛化能力。采用金融多任務指令調優范式，以增強基礎模型與市場預測功能的對齊。

提示

市場預測器采用多任務指令調優框架，使用復雜的提示格式。收集多方面的公司信息，包括公司概況、近期股價、最新新聞和基本財務數據。通過提示工程將信息格式化為指令提示。

預測結果

Nvidia和Kweichow Moutai的樣本分析展示了市場預測工具的綜合能力。市場預測工具提供了基于多種信息源的有價值見解。該工具還給出了股票未來走勢的建議，體現了其提供可操作指導的能力。

應用二：文件分析與生成

文檔分析與生成應用利用AI代理和大型語言模型（LLMs）進行金融文檔管理和報告創建。

文檔分析

9個AI代理分析年報、SEC文件和財報電話會議記錄，提取關鍵信息。能識別關鍵財務指標，突出趨勢和差異，提供可操作的洞察。AI代理能夠理解復雜的金融術語，將非結構化數據轉化為結構化信息。

報告生成

FinRobot利用LLM生成全面的財務報告，涵蓋績效評估、市場比較和前瞻性財務預測。報告保持專業語氣和格式，質量與頂級金融分析師相當。附錄中包含的股權研究報告展示了平臺的應用和有效性。

總結

FinRobot通過整合多源大型語言模型（LLMs）在開源平臺上，提升金融分析的可及性、效率和透明度。該平臺采用多層架構，支持實時數據處理和多樣化模型集成，簡化全球市場的復雜性。FinRobot促進金融AI社區的合作，加速創新，提升戰略決策能力。

未來計劃擴展應用，包括投資組合配置和全面風險評估，增強在金融領域的實用性。還將拓展平臺在全球市場的覆蓋，提升適應不同經濟環境的能力，推動AI驅動的金融分析創新與可及性。