Large Language Models in Finance: A Survey

最新推荐文章于 2025-04-28 11:07:36 发布
最新推荐文章于 2025-04-28 11:07:36 发布
阅读量284 收藏
点赞数
分类专栏： Survey Paper 文章标签： 语言模型 人工智能 自然语言处理
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/c_cpp_csharp/article/details/135213709
版权
Survey Paper 同时被 2 个专栏收录
261 篇文章 ¥99.90 ¥299.90
订阅专栏 超级会员免费看
LLM 日更
828 篇文章

已下架不支持订阅

本文探讨了大型语言模型（LLM）在金融领域的应用，包括现有解决方案、决策框架，以及面临的挑战。研究发现，LLM在金融自然语言处理任务中表现出性能提升，提出的选择框架有助于根据数据、计算需求选择合适的LLM策略。

摘要生成于 C知道 ，由 DeepSeek-R1 满血版支持， 前往体验 >

本文是LLM系列文章，针对《Large Language Models in Finance: A Survey》的翻译。

金融学大语言模型研究综述

摘要

大型语言模型（LLM）的最新进展为人工智能在金融领域的应用开辟了新的可能性。在本文中，我们提供了一项实用的调查，重点关注利用LLM执行金融任务的两个关键方面：现有的解决方案和采用指南。
首先，我们回顾了当前在金融中使用LLM的方法，包括通过零样本或小样本利用预训练的模型，对特定领域的数据进行微调，以及从头开始训练自定义LLM。我们总结了关键模型，并评估了它们在金融自然语言处理任务中的性能改进。
其次，我们提出了一个决策框架，以指导金融专业人员根据他们围绕数据、计算和性能需求的用例约束选择适当的LLM解决方案。该框架提供了一条从轻量级实验到大规模投资定制LLM的途径。
最后，我们讨论了在金融应用中利用LLM的局限性和挑战。总的来说，这项调查旨在综合最先进的技术，并为负责任地应用LLM来推进金融人工智能提供路线图。

1 引言

2 语言模型的基础

3 人工智能在金融领域的应用综述

4 LLM金融解决方案

5 L

了解本专栏 订阅专栏 解锁全文 超级会员免费看
A Survey of Large Language Models in Finance (FinLLMs)
c_cpp_csharp的专栏
03-13 282
大型语言模型（LLM）在各种自然语言处理（NLP）任务中表现出了非凡的能力，并吸引了包括金融服务在内的多个领域的关注。尽管对一般领域LLM进行了广泛的研究，并在金融领域具有巨大的潜力，但金融LLM（FinLLM）的研究仍然有限。本调查全面概述了FinLLM，包括其历史、技术、性能以及机遇和挑战。首先，我们按时间顺序概述了从通用领域预训练语言模型（PLM）到当前的FinLLM，包括GPT系列、选定的开源LLM和金融LM。其次，我们比较了金融PLM和FinLLM使用的五种技术，包括训练方法、训练数据和微调方法。
A Survey on Large Language Models for Critical Societal Domains: Finance, Healthcare, and Law
c_cpp_csharp的专栏
09-09 305
在快速发展的人工智能领域，GPT-3 和 GPT-4 等大型语言模型 （LLM） 正在彻底改变金融、医疗保健和法律的格局：这些领域的特点是依赖专业知识、具有挑战性的数据采集、高风险和严格的监管合规性。本调查详细探讨了 LLM 在这些高风险领域的方法、应用、挑战和前瞻性机会。我们强调了 LLM 在加强医疗保健诊断和治疗方法、创新财务分析以及完善法律解释和合规策略方面的重要作用。此外，我们批判性地审查了这些领域 LLM 应用的道德规范，指出了现有的道德问题以及尊重监管规范的透明、公平和强大的 AI 系统的需求。
金融应用大语言模型的综述：进展、前景和挑战
yorkhunter的博客
11-20 1404
24年6月来自普林斯顿大学和牛津大学的论文“A Survey of Large Language Models for Financial Applications: Progress, Prospects and Challenges”。
综述：大语言模型Agent在金融交易中的应用与展望
最新发布
2401_85390073的博客
04-28 1012
近年来，大语言模型（LLM）在自然语言处理领域取得了突破性进展，展现出强大的文本理解与策略生成能力，为金融交易这一高复杂度、高竞争性的领域带来了前所未有的应用前景。传统金融算法虽在结构化数据建模方面具有优势，但在处理非结构化文本、多模态信息融合及实时决策等方面仍存在明显不足。LLM的兴起为解决上述问题提供了新思路，其能够高效处理并整合新闻、财报、分析师观点等多源信息，为交易决策提供有力支持。
普林斯顿&牛津大学 | 大模型在金融领域的应用、前景和挑战
m0_59235245的博客
07-02 1124
Content论文链接：[2406.11903] A Survey of Large Language Models for Financial Applications: Progress, Prospects and Challenges (arxiv.org)本文作者来自普林斯顿和牛津大学。论文全面探讨了大语言模型（LLMs）在金融领域的应用，包括它们的进步、前景和挑战。引言介绍了金融领域的复杂性和技术融合的重要性，并强调了大型语言模型（LLMs）在金融领域应用的潜力和优势。
大语言模型在金融领域的应用:进展、前景与挑战
m0_59164304的博客
07-05 1450
GPT(Generative Pre-trained Transformers)系列是最著名的通用领域LLM之一,由OpenAI开发。基于Transformer架构的GPT模型利用自注意力机制和位置嵌入来捕获文本中的长距离依赖关系。2018年,BERT(Bidirectional Encoder Representations from Transformers)及其深度双向架构掀起了NLP领域的革命浪潮,能够学习上下文表示。这一突破引发了若干领域特定变体的开发,特别是在金融领域。
Large Models for Time Series and Spatio-Temporal Data: A Survey and Outlook
qq_41200212的博客
07-30 1019
时态数据，包括时间序列和时空数据，在现实世界的应用中极为广泛。这些数据类型记录了动态系统随时间变化的测量值，通常由物理和虚拟传感器产生。对这些数据进行深入分析至关重要，因为它们蕴含着丰富的信息，能够为多种下游任务提供支持。近年来，大语言模型和其他基础模型的快速发展，极大地推动了这些模型在时间序列和时空数据挖掘中的应用。这些方法不仅提升了跨领域模式识别和推理的能力，也为构建能够理解和处理时间数据的通用人工智能奠定了基础。数据类型、模型类别、模型应用范围和应用领域/任务。
LLM 大模型实用指南 | The Practical Guides for Large Language Models
热门推荐
AI天才研究院
05-31 1万+
LLM 大模型实用指南 | The Practical Guides for Large Language Models。
大语言模型(LLM)综述(六)：大型语言模型的基准和评估
qq_51957239的博客
11-07 4750
为了检验LLM的有效性和优越性，已经提出了大量任务和基准，用于进行经验能力评估和分析。在本节中，我们首先介绍了LLM在语言生成和理解方面的三种基本能力评估类型，然后介绍了几种具有更复杂设置或目标的LLM的高级能力评估，最后讨论了现有的基准、评估方法和经验分析。
A Survey of Large Language Models大模型综述论文章节总结
weixin_45320238的博客
10-17 2002
这篇论文出自于中国人民大学，全面回顾了大型语言模型 (LLM) 的最新进展，重点关注其发展背景、关键发现和主流技术。
大语言模型agent在金融交易中的应用综述
m0_59235699的博客
08-21 1260
论文标题：Large Language Model Agent in Financial Trading: A Survey论文链接：https://arxiv.org/pdf/2408.06361交易是一项高度竞争的任务，需要策略、知识和心理素质的结合。随着大型语言模型（LLMs）的最新成功，将LLM agent的智能应用于这一竞争领域并探讨其能否超越专业交易员显得极具吸引力。论文系统地回顾了所有利用LLMs作为交易agent的相关工作，重点关注其架构设计、数据输入和评估方法。
大模型教程：去年爆火的大模型综述，如今中国人民大学直接出书了
AAI666666的博客
11-18 1038
相信很多朋友都看过这篇论文，在 2023 年 3 月，一支来自中国人民大学的团队，发表了一篇大模型综述《A Survey of Large Language Models》
论文阅读 A Survey of Large Language Models 2
赫凯的博客
04-05 1232
其中，使用LM目标进行预训练似乎可以实现优越的零样本和少样本泛化能力。通过扩展模型大小、数据集大小和总计算量，可以大幅提高随意解码器的性能。由于对编码器-解码器模型的详细调查仍不足，需要更多的研究来分析架构和预训练任务的选择如何影响LLM的能力，特别是对于编码器-解码器架构。除了主要架构外，LLM的详细配置也值得关注。
LLMs：《A Survey of Large Language Models大语言模型综述》的翻译与解读(一)之序言(挑战+LM四阶段+LLM与PLM的三大区别)、概述(两个代表性扩展定律/涌现能力
头部AI社区如有邀博主AI主题演讲请私信—心比天高，仗剑走天涯，保持热爱，奔赴向梦想！低调，专注，谦虚，自律，反思，成长，还算比较正能量的博主，公益免费传播…内心特别想在AI界做出一些可以推进历史进程影响力的技术(兴趣使然，有点小情怀，也有点使命感呀
07-05 6694
​ LLMs：《A Survey of Large Language Models大语言模型综述》的翻译与解读(一)之序言(挑战+LM四阶段+LLM与PLM的三大区别)、概述(两个代表性扩展定律/涌现能力三种典型/六大关键技术+GPT系列技术演进)、资源(开源模型/闭源API+六类语料库+三种框架库) LLMs：大型语言模型发展综述—序言(挑战+LM四阶段+LLM与PLM的三大区别)、概述(两个代表性扩展定律/涌现能力三种典型/六大关键技术+GPT系列技术演进)、资源(开源模型/闭源API
释放长上下文：LLM的万词生成能力
AI_Conf的博客
08-16 1839
大模型(LLM)是一种人工智能模型，旨在理解和生成人类语言。它们在大量的文本数据上进行训练，可以执行广泛的任务，包括文本总结、翻译、情感分析等等。LLM的特点是规模庞大，包含数十亿的参数，帮助它们学习语言数据中的复杂模式。这些模型通常基于深度学习架构，如转化器，这有助于它们在各种NLP任务上取得令人印象深刻的表现。
笔记-《A Survey of Large Language Models》- 尾声
Working harder, getting stronger!
03-27 2269
Sutton, S.Schuh, K.Lomeli, L.Mann, E.Perez, N.5547–5569.[Online].[152] J.Austin, A.Odena, M.I.Nye, M.353–355.[177] P.V.ACM, 2022.559–578.Drain, S.Fort, D.4582–4597.Yih, Eds.8410–8423.[240] Q.Zhang, M.Chen, A.He, Y.Cheng, W.
【大语言模型综述 2023】A Survey of Large Language Models
qq_40712026的博客
11-17 310
例如：随着人工智能的不断发展，机器学习这门技术也越来越重要，很多人都开启了学习机器学习，本文就介绍了机器学习的基础内容。提示：以下是本篇文章正文内容，下面案例可供参考例如：以上就是今天要讲的内容，本文仅仅简单介绍了pandas的使用，而pandas提供了大量能使我们快速便捷地处理数据的函数和方法。
大语言模型（LLMs）经典论文清单！
chengxuyuanyy的博客
09-04 1448
原文：https://zhuanlan.zhihu.com/p/620360553要说2023刷屏最多的词条，ChatGPT可以说是无出其右。到最近的GPT-4，技术的革新俨然已呈现破圈之势，从学术圈到工业界再到资本圈，同时也真切逐步影响到普通人的日常生活与工作。坦白来讲，对于大语言模型生成相关的工作，个人长期以来持保守态度，认为这个方向更多的是一种深度学习的理想追求。现在看小丑竟是我自己，也许优秀的工作正是需要对理想状态的持续追求，才叫优秀的工作。
Chain-of-Thought Prompting Elicits Reasoning in Large Language Models
03-09
### Chain-of-Thought Prompting Mechanism in Large Language Models In large language models, chain-of-thought prompting serves as a method to enhance reasoning capabilities by guiding the model through structured thought processes. This approach involves breaking down complex problems into simpler components and providing step-by-step guidance that mirrors human cognitive processing. The creation of these prompts typically includes selecting examples from training datasets where each example represents part of an overall problem-solving process[^2]. By decomposing tasks into multiple steps, this technique encourages deeper understanding and more accurate predictions compared to traditional methods. For instance, when faced with multi-hop question answering or logical deduction challenges, using such chains allows models not only to generate correct answers but also articulate intermediate thoughts leading up to those conclusions. Such transparency facilitates better interpretability while improving performance on various NLP benchmarks. ```python def create_chain_of_thought_prompt(task_description, examples): """ Creates a chain-of-thought prompt based on given task description and examples. Args: task_description (str): Description of the task at hand. examples (list): List containing tuples of input-output pairs used for demonstration purposes. Returns: str: Formatted string representing the final prompt including both instructions and sample cases. """ formatted_examples = "\n".join([f"Input: {ex[0]}, Output: {ex[1]}" for ex in examples]) return f""" Task: {task_description} Examples: {formatted_examples} Now try solving similar questions following above pattern. """ # Example usage examples = [ ("What color do you get mixing red and blue?", "Purple"), ("If it rains tomorrow, will we have our picnic?", "No") ] print(create_chain_of_thought_prompt("Solve logic puzzles", examples)) ```
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

UnknownBody

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值