FinRobot：基于大型语言模型的金融领域开源AI框架

金融行业与AI社区之间存在数据和专业知识的障碍，影响AI在金融任务中的应用。FinRobot是一个开源AI代理平台，利用多源LLM进行多样化金融任务，提升透明度和可扩展性。

论文地址：https://arxiv.org/pdf/2405.14767

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

摘要

金融行业与AI社区之间存在数据和专业知识的障碍，影响AI在金融任务中的应用。本文旨在开发金融专用的LLM工具链，推动AI在金融决策中的普及。FinRobot是一个基于LLM的开源AI代理平台，支持多种金融专用AI代理，包含四个主要层次：

• 金融AI代理层：通过逻辑序列分解复杂金融问题。
• 金融LLM算法层：为特定任务动态配置模型应用策略。
• LLMOps和DataOps层：通过训练/微调技术和相关数据生成准确模型。
• 多源LLM基础模型层：整合多种LLM，直接访问。

FinRobot为专业分析师和普通用户提供先进金融分析的AI工具。

简介

财务分析分为基本分析（公司估值）和技术分析（市场趋势预测），并依赖于数据。随着数字革命，数据量和复杂性增加，金融专业人士越来越依赖算法和人工智能（AI）进行数据处理。AI通过自动化任务（如情感分析和市场预测）改变了财务分析的方式，传统AI模型已发展为更复杂的LLM（大语言模型）。AI代理利用LLM进行复杂功能（如规划和记忆管理），减少人类干预。

FinRobot是一个开源AI代理平台，利用多源LLM进行多样化金融任务，提升透明度和可扩展性。

• 综合金融AI代理框架，支持多种金融任务。
• 多源LLM集成，通过智能调度机制选择最合适的LLM，适应全球市场的复杂性。

FinRobot目前已开源，促进金融AI社区的合作与创新。

相关工作

金融AI代理

AI驱动的金融系统如FinAgent和FinMem利用实时市场数据优化交易策略。过于关注回测和个股收益，忽视了流程导向的重要性。有效的交易代理应提升操作流程，自动化策略执行和下单，减少人工干预。从绩效转向流程导向可促进金融技术的可持续性和适应性。

开源AI代理框架

开源AI代理框架的发展促进了先进AI技术的普及。主要平台包括AutoGPT、AutoGen、MetaGPT、HuggingGPT、ChatDev、Dify和Voyager，支持全球开发者的协作与创新。随着对复杂金融工具的需求增加，专门针对金融任务的开源框架即将出现。

AI4Finance基金会与开源文化

AI4Finance Foundation推动金融科技的开源文化，致力于标准化实践和开发开源资源。旨在为研究人员和行业专业人士提供协作环境，促进行业知识与创新的结合。通过应用AI技术于金融服务，加速技术进步，确保发展透明、可及且有益于金融行业。

FinRobot：一个金融领域的开源平台

FinRobot的整体框架分为四个不同的部分，每个部分都旨在解决金融人工智能处理和应用的特定方面：

• 金融AI代理：引入金融链式思维（CoT）提示，提升复杂分析和决策能力，市场预测、文档分析和交易策略代理利用CoT分解金融问题，提供精准可行的见解。
• 金融LLMs算法：配置专门调优的模型，使用FinGPT和多源LLMs（如Llama和ChatGLM），优化区域特性，结合多模态模型和传统机器学习方法，确保市场预测和文档分析的高精度。
• LLMOps和DataOps：LLMOps层动态选择和微调LLMs以提升任务效果，DataOps层管理实时数据处理，增强市场响应能力，确保及时准确的金融洞察。
• 多源LLM基础模型：支持多种通用和专业LLMs的即插即用功能，确保模型更新和优化，与金融技术和数据标准保持一致。

金融AI代理

FinRobot中的金融AI代理，由特定领域的AI代理组成，通过高级数据感知、认知处理和动态动作执行来增强财务分析：

• 感知模块：捕捉和解读多模态金融数据，使用先进技术结构化数据以便分析。
• 大脑模块：核心处理单元，利用LLM和金融推理生成结构化指令。
• 行动模块：执行大脑模块的指令，进行交易、调整投资组合、生成报告或发送警报，积极影响金融环境。

多智能工作流

多代理工作流系统通过多个角色协作处理复杂金融数据，提升分析准确性和深度：

• Director：项目战略领导，负责任务优先级、资源分配和团队协调。
• Assistant：负责数据管理、初步分析和团队沟通，支持其他分析师的工作。
• LLM Analyst：利用大语言模型分析金融文本，提取见解、进行情感分析和市场趋势预测。
• Financial Analysts：在LLM Analyst指导下，进行定量数据分析，评估投资机会和风险策略。

各角色协作实现全面的金融分析，确保深入探索和解读数据，支持战略决策。

基于LLM进行工具调用

• API交互：通过Text2Params方法，将自然语言查询转化为API请求，提取关键参数以生成函数调用或API请求，适用于金融数据的获取和操作。
• 代码编译：Text2Code技术用于动态生成和编译代码，支持根据用户查询和市场条件开发自定义算法。
• 高级AI算法：该层包含专为金融领域设计的先进AI算法，增强平台在多种金融应用中的能力。

金融LLM

金融大语言模型（FinGPT）

FinGPT是专为金融领域设计的语言模型，提升自然语言理解能力。能够分析复杂的金融文档，如年报和实时新闻，提取关键信息，支持决策。通过监督微调，使用金融领域的“指令-响应”数据训练。优化目标是最大化生成预期响应的概率，使用负对数似然函数进行训练。

金融强化学习（FinRL）

FinRL利用集成深度强化学习算法优化交易策略，分析历史和实时市场数据，以最大化财务回报并最小化风险，适用于股票投资组合配置。股票投资组合配置被建模为马尔可夫决策过程（MDP），代理在状态s_t下选择动作a_t，依据策略π_θ(s_t)。动作导致新状态s_t+1和奖励r(s_t, a_t, s_t+1)，目标是优化策略。

金融机器学习（FinML）

FinML利用多种机器学习技术提升金融预测分析，包括回归和神经网络。

这些算法用于预测市场趋势、消费者行为、信用风险等关键金融指标，支持决策。

关键指标为对数收益率（log-return），计算公式为：

其中，S为股票价格，nT为监测公司数量，f为预测期限。对数收益率是评估投资表现和制定金融策略的重要工具。

金融多模态LLMs

财务文档包含文本、图表和表格等多种数据类型，提供丰富的分析视角。开发了金融多模态LLM，能够处理和综合多种数据类型，提升财务文档的理解深度。数学表示为：

其中x_t、x_g、x_h分别为文本、图形和表格输入。函数T、G、H将输入转换为统一的嵌入空间，LLM L合成这些嵌入以生成可靠的输出，增强财务分析的准确性和可靠性。

LLMOps

LLMOps层具备高模块化和可插拔性，支持快速集成和动态更换LLM。该层实现无缝模型集成，并包含严格评估和选择适合特定金融任务的5个模型的机制。这些功能对维持运营效率和适应多样化金融场景至关重要。

智能调度程序

智能调度器是确保模型多样性的重要工具。它优化了不同大型语言模型（LLM）的集成与选择，以适应各类任务。

智能调度器架构

智能调度器优化任务分配，包含以下组件：

• 指挥代理：负责任务分配，基于代理绩效和适应性分配任务。
• 代理注册：管理代理注册和可用性，促进高效任务分配。
• 代理适配器：调整代理功能以适应特定任务，提升性能和系统整合。
• 任务管理器：管理和存储针对各种金融任务的LLM代理，定期更新以确保相关性和有效性。

智能调度程序初始化过程

• 数据集创建：填充行业特定数据。
• 提示库填充：为各个代理填充自定义提示。
• 任务评分填充：调用适配器评估响应，存储评分于任务评分数据库。

智能调度程序行动过程

• 任务启动：用户发起任务。
• 导演代理角色：评估任务输入，按表现和相关性排名代理。
• 代理选择与任务分配：将任务分配给排名最高的代理。
• 工作流进展与自我评估：任务完成后，代理进行自我评估，结果存储于未来反思存储。
• 工作流完成与评估：工作流结束时，代理评估结果并提供反馈以促进持续改进。

评分标准

• 数据收集：收集不同LLM在多项评估任务中的性能数据。
• 归一化：将每个评估任务的结果归一化到0到1之间。
• 权重分配：根据行业标准或专家意见为不同评估维度分配权重。
• 计算综合得分：将归一化得分乘以权重并求和得出任务得分。
• 结果分析：分析得分以排名和评估LLM，提供性能比较和选择建议。

该结构提升了金融AI代理的操作效率，支持动态管理多样化金融任务，增强了实时金融环境中复杂多代理场景的管理能力。

DataOps

DataOps层管理多样化的金融数据，确保数据质量和市场代表性。高质量数据是AI模型准确性的基础，支持金融决策。采用先进的数据处理技术，优化数据可访问性和质量。

检索增强生成

RAG技术结合了上下文检索机制和大型语言模型（LLM），优化语言生成任务。LLMOps和DataOps层是FinRobot的核心，确保其在金融AI服务中的技术创新和可靠性。

多源LLM基础模型层

多源LLM基础模型层为FinRobot提供先进能力，适应全球金融市场动态需求。

• 插拔式功能：无缝集成和更新通用及专业LLM，保持平台适应性。
• 模型多样性与评估：涵盖7亿至720亿参数的LLM，依据性能指标选择最佳模型。
• 全球市场兼容性：支持多语言模型集成，增强对多样金融数据的分析能力。

金融思维链（CoT）提示

简介

链式思维提示技术通过结构化提示促进AI模型逐步推理，类似人类问题解决策略。该方法显著提升复杂推理任务（如数学和常识推理）的表现。鼓励模型阐述中间推理步骤，最终得出答案。提高准确性，增强决策过程的可解释性和透明度。

金融CoT的概念

金融CoT提示结合了CoT技术与高级认知处理，提升AI驱动的金融分析决策能力。该方法通过逻辑顺序引导AI模型，帮助金融专业人士解决复杂问题。将复杂金融场景分解为可管理的部分，逐一分析并综合得出结论或建议。模仿人类推理，适用于估值、投资策略制定、市场趋势分析和风险评估等深度分析任务。

金融CoT的实现

金融分析。FinRobot利用LLM进行财务报表分析，比较行业竞争者和历史表现，识别异常财务比率，提供深刻的商业洞察。

业务特定分析。通过检索增强生成（RAG），FinRobot从网络获取公司产品和服务数据，分析产品线、成本结构和供应链动态。

市场分析。FinRobot结合财务比率、市场数据和情绪分析，模拟市场参与者决策，评估公司股价走势和估值，提供投资时机和金融工具的战略指导。

估值分析。FinRobot整合多种数据源，评估股价和估值，提供针对不同风险阈值的投资评估和策略建议。

金融CoT提示的好处

现有数据提供商（如Bloomberg、FactSet等）使用的模板化数据提取方法，忽视了关键的运营指标和定性信息。手动分析耗时且重复，现有自动化工具在提取非结构化数据时效果有限。CoT Prompting的FinRobot通过模拟人类认知过程，提供更深入的财务分析，超越传统的数字计算。

该方法利用大型语言模型（LLMs）分析金融专业人士的分析方法，关注公司基本面、行业特定指标和定性信息。优势包括：不依赖固定模板、内嵌错误检查、简化人力劳动、从复杂数据中提取信息、提供清晰的来源解释、适应性强并可通过监督和指令调优不断改进。

市场模拟：超越分析师的模仿

市场模拟可以通过模仿人类分析过程，构建一个包含多种市场参与者的环境，反映市场动态。模拟环境中的代理人基于数据驱动的提示进行决策，模拟人类分析师的认知步骤。利用大型语言模型（LLMs）编码决策框架，使代理人理解市场的定量和定性方面。

模拟框架包括：定义市场参与者角色与行为、实施多种数据输入与决策模型、在不同时间范围和条件下模拟市场互动、利用强化学习优化代理人策略。该概念为金融市场分析和策略优化的未来研究提供了有前景的方向。

演示应用程序和实践教程

应用一：市场预测员

Market Forecaster是一套AI代理，旨在综合市场新闻和金融数据。提供公司最新成就和潜在问题的全面洞察。预测股票价格走势。作为初级机器人顾问，代表AI驱动金融顾问的重大进步。

数据

Market Forecaster利用多种数据源进行全球市场预测，关注美国和中国股市。收集的信息包括公司新闻、基本财务数据和股票价格。主要数据来源为Finnhub和EastMoney。

模型

该AI代理基于微调的FinGPT-Forecasters，使用Llama-2-7b-chat-hf与LoRA。数据来源于最新一年的美国道琼斯30和中国上证50，确保对主要股票的精准预测。展示了在不同股票符号上的强大泛化能力。采用金融多任务指令调优范式，以增强基础模型与市场预测功能的对齐。

提示

市场预测器采用多任务指令调优框架，使用复杂的提示格式。收集多方面的公司信息，包括公司概况、近期股价、最新新闻和基本财务数据。通过提示工程将信息格式化为指令提示。

预测结果

Nvidia和Kweichow Moutai的样本分析展示了市场预测工具的综合能力。市场预测工具提供了基于多种信息源的有价值见解。该工具还给出了股票未来走势的建议，体现了其提供可操作指导的能力。

应用二：文件分析与生成

文档分析与生成应用利用AI代理和大型语言模型（LLMs）进行金融文档管理和报告创建。

文档分析

9个AI代理分析年报、SEC文件和财报电话会议记录，提取关键信息。能识别关键财务指标，突出趋势和差异，提供可操作的洞察。AI代理能够理解复杂的金融术语，将非结构化数据转化为结构化信息。

报告生成

FinRobot利用LLM生成全面的财务报告，涵盖绩效评估、市场比较和前瞻性财务预测。报告保持专业语气和格式，质量与顶级金融分析师相当。附录中包含的股权研究报告展示了平台的应用和有效性。

总结

FinRobot通过整合多源大型语言模型（LLMs）在开源平台上，提升金融分析的可及性、效率和透明度。该平台采用多层架构，支持实时数据处理和多样化模型集成，简化全球市场的复杂性。FinRobot促进金融AI社区的合作，加速创新，提升战略决策能力。

未来计划扩展应用，包括投资组合配置和全面风险评估，增强在金融领域的实用性。还将拓展平台在全球市场的覆盖，提升适应不同经济环境的能力，推动AI驱动的金融分析创新与可及性。