2025-arXiv-FinSphere: 一个配备有基于实时数据库的定量工具的对话式股票分析智能体

arXiv | https://arxiv.org/abs/2501.12399

50 对 Stocksis 数据集 | https://anonymous.4open.science/r/Stocksis-BD25

摘要：

当前的大语言模型（LLMs）在股票分析方面面临两个关键限制：缺乏深度分析能力，这阻碍了它们生成专业级洞察的能力，以及缺乏客观评估指标来评估股票分析报告的质量。为应对这些挑战，本文引入了FinSphere 这一对话型股票分析智能体，并提出了三项主要贡献：Stocksis，由行业专家策划的数据集，旨在提升 LLMs 的股票分析能力；AnalyScore，一种系统性的评估框架，用于评估股票分析报告的质量；FinSphere，一种能够根据用户查询生成高质量股票分析报告的人工智能智能体。实验结果表明，即使在增强实时数据访问和少量示例指导的情况下，FinSphere 的表现也优于通用型和领域特定型的LLMs，以及现有的基于智能体的系统。

一、引言

大语言模型（LLMs）在理解和处理自然语言方面展现了卓越的能力，并且其影响力已扩展至金融领域。通过利用其语言理解能力，这些模型在各种金融应用中表现出色，包括情感分析和从非结构化金融文本中提取信息。金融特定的LLMs，如 FinBERT、BloombergGPT、PIXIU的出现，进一步增强了有效处理金融数据的能力。随着 LLM 技术的不断演进，人们对其处理更复杂金融任务（特别是在股票分析方面）的期望越来越高，导致了工具增强型智能体的出现，这些代理结合了 LLMs 的语言能力与专门的金融工具，标志着自动化金融分析的一个重要飞跃。

然而，LLMs 继续面临挑战，即难以利用这些工具的输出生成高质量的分析结果。两个主要挑战是缺乏专门的数据集来微调 LLMs 的分析能力，以及缺乏系统性的评估方法来量化其在股票分析中的性能。此外ÿ