大型語言模型（LLMs）在金融、醫療、法律、教育和科學發現等領域表現出色，但在專業金融任務中仍存在性能不足。本文提出FinLoRA基準，評估不同LoRA變體在復雜金融任務中的表現。創建19個金融數據集，包括4個新XBRL分析數據集，支持LoRA方法的評估。實施并比較五種LoRA方法，平均提高36%準確率，驗證低秩適應和量化的有效性。摘要FinLoRA項目基于LoRA方法，評估其在金融領域的應用，特別是CFA考試和SEC文件分析。研究中使用了19...

金融大語言模型（FinLLMs）在金融服務的某些領域顯示出巨大的潛力。多模態金融基礎模型（MFFMs）可以理解多模態金融數據，包括基礎數據、市場數據、數據分析、宏觀經濟和替代數據（例如，自然語言、音頻、圖像和視頻）。本文在MFFMWorkshop上介紹了多模態金融基礎模型（MFFMs）的進展、前景和挑戰，強調了哥倫比亞大學SecureFinAI實驗室的FinAgents研究。列出了多模態金融數據和數據中心方法，描述了多模態金融應用，展望AI代理...

“FlowHFT:FlowPolicyInducedOptimalHighFrequencyTradingunderDiverseMarketConditions”市場做市（MM）是一種通過同時下買賣單來從買賣差價中獲利的交易策略，提供流動性并提高市場效率。高頻交易（HFT）是市場做市的一種形式，以毫秒或微秒的速度執行訂單，利用小幅價格變動獲利。傳統HFT策略（如AS模型和GLFT模型）依賴歷史市場數據進行參數校準，但在市場條件變化時效果受限，容易導致次優表現。本文提出FlowHFT框架，基于...

金融市場是高維非線性動態系統，具有重尾、時變波動和復雜的橫截面依賴性，導致預測難度增加。金融市場的資產回報預測面臨高維度、非平穩性和持續波動性等挑戰?，F有的定量研究流程自動化程度低、可解釋性弱、各關鍵組件協調性差。本文提出RDAgent(Q)，一個數據驅動的多代理框架，旨在自動化量化策略的研發。RDAgent(Q)實現端到端自動化，增強可解釋性，降低幻覺風險。RDAgent(Q)在研究階段通過結構化知識森林模擬分析師工作流...

一、規則引擎為何成為復雜業務的剛需？在電商訂單處理、金融風控、物流調度等場景中，業務規則常呈現動態性、復雜性、高頻變更的特征。傳統硬編碼開發模式面臨兩大痛點：代碼臃腫：分支邏輯嵌套導致代碼可讀性差，維護成本指數級增長；變更低效：修改規則需重新發布系統，無法實現熱更新，影響業務連續性。LiteFlow作為輕量級規則引擎，通過組件化拆分+可視化編排，支持動態調整流程順序、并行異步執行、熱部署等特性，成為解決...

準確的金融市場預測需要多樣化的數據源，包括歷史價格趨勢、宏觀經濟指標和金融新聞?，F有方法通常獨立處理這些數據，未能有效建模其交互。本文提出了跨模態時間融合（CMTF）框架，集成異構金融數據以提高預測準確性。實驗表明，CMTF在預測上優于多種基線模型，提升了精度、召回率和F1分數。摘要準確的金融市場預測需要多樣化的數據源，包括歷史價格趨勢、宏觀經濟指標和金融新聞?，F有方法通常獨立處理這些數據，未能有效建模...

大型語言模型（LLMs）在推理能力上的進展引發了對其在復雜任務中表現的關注，尤其是在金融領域。DianJinR1是一個針對金融領域的推理增強框架，通過推理增強監督和強化學習，提升金融推理任務的表現。DianJinR1模型在金融測試集（CFLUE、FinQA、CCC）上顯著優于基礎模型，尤其在CFLUE和CCC上表現突出，DianJinR132B在CFLUE上準確率從77.95提升至86.74，CCC上從56.50提升至96.00，超越DeepSeekR1。摘要DianJinR1是一個針對金融領...

“MTBench:AMultimodalTimeSeriesBenchmarkforTemporalReasoningandQuestionAnswering”時間序列與文本數據的結合對理解復雜現實現象至關重要，尤其在金融和天氣預測領域?，F有基準缺乏對時間序列數據與文本之間復雜關聯的關注，未能處理文本與時間序列數據矛盾的情況。本文提出MTBench基準，旨在評估LLMs在金融和天氣領域的多任務和多模態推理能力。MTBench通過將時間序列數據與相關文本信息對齊，促進跨模態互動，支持復雜推...

社會涌現的研究是社會科學的核心，傳統的基于規則的代理模型（ABMs）難以捕捉人類行為的復雜性和多樣性。大型語言模型（LLMs）作為模擬工具，能夠更好地反映認知偏差和情感波動，適用于社會科學和角色扮演應用。TwinMarket是一個新穎的多代理框架，利用LLMs模擬股票市場中的投資者行為，強調微觀行為如何驅動宏觀市場動態。TwinMarket采用信念欲望意圖（BDI）框架，提供透明的代理認知過程建模，并研究信息傳播和社會影響的動態...

金融市場復雜且動態，受經濟指標、地緣政治事件和投資者行為的影響，傳統線性分析方法難以捕捉其非線性特征。傳統統計方法（如CAPM、ARIMA）無法有效利用非結構化數據（如新聞、經濟報告）進行分析和預測。本文提出FinArena框架，結合人機協作以改善股票趨勢預測和個性化投資決策。人模塊通過交互界面捕捉個體風險偏好，制定個性化投資策略。機器模塊利用基于大型語言模型的多代理系統整合多種金融數據源。FinArena在股票趨勢預...

?摘要基于大型語言模型的自主代理在量化投資等專業領域的應用面臨挑戰，尤其是構建和整合領域特定知識庫。本文提出一個兩層循環的框架：內層循環通過知識庫優化響應，外層循環在真實場景中測試響應并自動增強知識庫。該方法使代理能夠逐步接近最優行為，并具備可證明的效率。通過名為QuantAgent的自主代理實例化該框架，展示其在挖掘交易信號和提高金融預測準確性方面的能力。簡介大型語言模型（LLMs）推動了自主智能體的發展...

在金融領域，評估投資績效的關鍵在于平衡風險與回報。Sharpe比率是評估風險與回報的重要指標，但存在局限性，需開發更穩健的金融績效指標。本文提出AlphaSharpe框架，利用大語言模型（LLMs）優化金融指標，提升風險收益評估。通過對美國15年歷史股票數據進行實驗，AlphaSharpe投資組合在風險調整和回撤調整表現上優于傳統策略，Sharpe比率提高71.04%，Calmar比率提高116.31%。論文地址：https:arxiv.orgpdf2502.00029v2摘要本文...

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.orgpdf2405.14767Github地址：https:github.comAI4FinanceFoundationFinRobot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...

投資組合優化是金融中的核心挑戰，涉及資金在多個資產間的動態配置，傳統方法存在假設限制和適應性不足的問題。本研究探討深度強化學習在投資組合優化中的應用。結果表明，深度強化學習（DRL）模型在投資組合優化中表現優異，年化平均回報率為19.56%，夏普比率為1.5550，顯示出卓越的風險調整回報。論文地址：https:arxiv.orgpdf2412.18563摘要人工智能正在改變金融投資決策，深度強化學習（DRL）在機器人顧問服務中展現出應用...

?簡介本文開發強化學習代理以支持投資組合管理和優化，結合股票定價數據和替代數據（如SEC文件和新聞頭條）。強化學習適合在線環境，能夠實時反饋和響應，提升決策效果。替代數據編碼進狀態矩陣，幫助代理更好地調整投資組合權重。強化學習模型基于馬爾可夫決策過程，能夠靈活定義不同的獎勵函數以滿足投資者偏好。主要算法為深度強化學習，利用深度神經網絡學習最優策略，目標是最大化未來預期獎勵。強調在狀態空間、獎勵函數...