解码对话式交易：使用大型语言模型从交易对话中提取关键交易信息（1）

在错综复杂的金融交易世界中，每一秒钟都至关重要，准确性更是不容置疑。 能够迅速且正确地从交易对话中提取信息对于风险管理和合规监管至关重要，这些领域的风险很高，错误的余地很小。 传统方法依赖于人工专业知识，常常因为大量复杂数据而导致效率低和潜在风险。 大型语言模型（LLM）如 GPT-4 的出现，在这一领域开启了新时代，为这些挑战提供了突破性的解决方案。

快速且准确地解析交易对话中特定的交易信息，不仅是操作效率的问题;它是有效风险管理和监管合规的基石。 讯息处理中的不准确性或延迟可能导致重大财务损失、合规违规和声誉损害。 随着金融市场不断发展，变得越来越快节奏和受监管规范，更加强大和自动化的解决方案至关重要。

这篇文章深入探讨了 LLM 在革新交易对话信息提取方式方面的作用。 我们探索了这些先进的 AI 模型如何熟练解读复杂的金融术语，提取关键数据点，并以前所未有的速度和准确性提供洞见。 这一技术飞跃不仅简化了过程，而且显著增强了风险管理策略和合规协议，确保金融机构在高度竞争和受规范的市场中保持领先。

本文分为三部分：

第一部分：利用知识蒸馏生成合成交易信息
第二部分：使用小型开源LLMs进行信息提取
第三部分：微调小型LLMs以提高性能

第一部分：利用知识蒸馏生成合成交易讯息

金融市场的不断发展正在见证着与大型语言模型（LLM）整合所带来的革命性变化。 在现实交易对话信息因隐私和敏感性而难以获得的领域中，通过知识提炼生成合成数据成为了改变游戏规则的关键。 特别是使用 GPT-4 创建新的信息，让训练金融分析 AI 模型至关重要的丰富多样的数据成为可能。

预先准备的数据

货币和货币对

· 货币 ：这些是交易中使用的单一货币，如 USD（美元），EUR（欧元），JPY（日元），GBP（英镑）等。
· 货币对：这些是构成外汇交易基础的一对货币。 例如 EURUSD（欧元/美元），GBPUSD（英镑/美元），USDJPY（美元/日元）等。 这些对表明购买第一种货币所需的第二种货币的数量。

交易类型

· FX Spot：外汇即期交易是一种交易，涉及立即以当前市场价格将一种货币兑换成另一种货币。
· FX Swap：涉及兑换一定数量的一种货币为另一种，然后在稍后日期逆转交易。
· FX Vanilla Option：一种金融工具，赋予持有者权利（但不是义务）在特定时间内以预定价格买卖一种货币。
· 还可以包括更复杂的工具，如 FX 障碍选择权、利率掉期（IRS）、股权选择权等。

准备的数据

currencies = ['USD'， 'EUR'， 'JPY'， 'GBP']
currency_pairs = ['EURUSD', 'GBPUSD', 'USDJPY']
trade_types = ['FX Spot', 'FX Swap', 'FX Vanilla Option'] 

生成合成资料的过程

我们使用 GPT-4 创建 JSON 模板，每个模板代表一种独特的金融交易类型。 这些模板包含各种交易情景（如 FX Spot 或 FX Swaps）中潜在对话的结构。

trade_templates = {    
	"FX Spot": {"currency_pair": "EURUSD", "rate": "1.1800", ... },   
 	"FX Swap": {"near_leg": {"currency_pair": "USDJPY", "rate": "110.00", ...}, 
 			...},    
 	# ... 其他模板
}

利用 GPT-4 的先进语言理解能力生成真实的对话，并将交易要素填入这些模板。 这一过程需要编写引导 AI 模拟实际交易员对话的提示。

import openai
def generate_synthetic_conversation（template）： 
	prompt = f“根据这个金融交易模板创建详细对话：{template}"
    response = openai. Completion.create(prompt=prompt, model="gpt-4-1106-preview")   
    return response.choices[0].text.strip()

	fx_spot_conversation = generate_synthetic_conversation(trade_templates["FX Spot"])

确保真实性和多样性

为了模仿真实世界交易对话的多样性，我们引入了不同的风格、情绪和语气。 通过改变这些元素，合成信息包括多种不同的交易互动，为 AI 模型提供真实金融通信的复杂性。

styles = ["formal", "casual"]
emotions = ["confident", "anxious"] 
alice_style = random.choice(styles)
bob_emotion = random.choice(emotions)

prompt = f"Alice, who is {alice_style}, and Bob, who is {bob_emotion}, discuss an FX Swap trade..."

交易生成示例

{'model': 'gpt-4-1106-preview',
  'trade_type': 'FX Spot',
  'currency': 'EURRUB',
  'trader1': {'name': 'Alice',
   'style': 'formal',
   'emotion': 'optimistic',
   'tone': 'optimistic',
   'attitude': 'contrary',
   'perspective': 'synthetic'},
  'trader2': {'name': 'Bob',
   'style': 'conversational',
   'emotion': 'hopeful',
   'tone': 'serious',
   'attitude': 'realistic',
   'perspective': 'subjective'},
  'deal': {'trade_type': 'FX Spot',
   'currency_pair': 'EURRUB',
   'rate': '90.5000',
   'amount': '1000000',
   'trade_date': '2023-03-05',
   'settlement_date': '2023-03-07',
   'buyer': 'Alice',
   'seller': 'Bob',
   'conversation': [{'name': 'Alice',
     'message': 'Good day, Bob! I trust you are well. In the realm of possibility, I am interested in securing a position in EURRUB, hoping to acquire at a rate of 90.5000. Could we entertain such an optimistic transaction?'},
    {'name': 'Bob',
     'message': "Hey Alice, hope you're good too. The EURRUB spot rate you're asking for is quite optimistic given current markets. However, understanding the volatility, I'm ready to sell at that rate for the sake of moving forward with this deal."},
    {'name': 'Alice',
     'message': "Marvelous, Bob! You've always been a beacon of practicality. In the spirit of progress and cooperation, let’s formalize this transaction. A million euros exchanging hands at 90.5000 RUB per euro then?"},
    {'name': 'Bob',
     'message': "That's right Alice. Let's wrap this up. I confirm selling you EURRUB at 90.5000 for a total of 1,000,000 euros. We will have the settlement done by the 7th of March. Agreed?"},
    {'name': 'Alice',
     'message': 'Agreed, dear Bob. It is always a pleasure to conclude agreements with such clarity and precision. Until our next venture into the markets!'},
    {'name': 'Bob',
     'message': "Likewise, Alice. Take care and let's speak soon about future opportunities."}]}}

合成讯息生成的准确性与真实性

在利用合成信息时，特别是在金融交易这一敏感领域，需要考虑的一个关键方面是生成对话的准确性和真实性。 虽然像GPT-4这样的大型语言模型（LLMs）非常先进，能够产生高度真实的对话，但重要的是要理解生成的对话并不会完全反映现实世界的情况。

合成对话的近似本质

模拟的真实性GPT-4生成的对话是基于从大量文本信息中学习的模式。 虽然它们可以密切模仿真实交易对话的结构和内容，但本质上，它们是模拟的。
情境限制LLM可能无法完全捕捉特定市场条件的复杂细微之处或交易员关系和个性的微妙之处，这在现实世界的交易环境中可能至关重要。

尽管有不完美，仍有极大的优势

培训和测试

尽管不是精确的复制品，这些合成对话对于培训和测试人工智能模型非常重要。 它们提供了人工智能可以学习的多样化对话，这在实际交易数据稀缺或敏感的情况下特别有用。

风险管理和合规

在风险管理和合规监控等应用中，即使不完全准确，生成出的广泛的情境也提高了人工智能模型在各种情境中识别潜在风险或合规问题的能力。

道德和实践

考虑透明度

在使用合成信息时，维持其本质和限制的透明度至关重要。

持续改进

通过实际信息和反馈不断完善生成过程和模板，可以逐渐提高合成信息的准确性和适用性。

虽然由LLMs生成的合成交易对话可能不是现实世界互动的精确复制品，但它们提供了一个非常接近的样本，对于训练人工智能模型非常有用。 关键是理解和认识到它们的近似本质，同时利用它们在金融领域多样化和全面的信息驱动应用中的优势。