FinRobot An Open-Source AI Agent Platform for Financial Applications using Large Language Models论文精读

FinRobot: An Open-Source AI Agent Platform for Financial Applications using Large Language Models

Abstract

随着金融机构和专业人员越来越多地将大型语言模型（LLM）纳入他们的工作流程中，存在许多障碍，包括专有数据和专业知识，这些障碍阻碍了金融领域与AI社区之间的有效合作。为了克服这些挑战，并促进AI在金融决策中的广泛应用，我们旨在设计专门用于金融的LLM工具链，并通过开源项目来民主化这些工具的访问。

在本文中，我们介绍了FinRobot，一个支持多个专注于金融的AI代理的开源AI代理平台，每个代理都由LLM提供支持。具体来说，该平台包括四个主要层次：1）金融AI代理层，通过将复杂的金融问题分解为逻辑序列来形成金融推理链（CoT）；2）金融LLM算法层，动态配置适合特定任务的模型应用策略；3）LLMOps和DataOps层，通过应用训练/微调技术并使用与任务相关的数据来生成精确的模型；4）多源LLM基础模型层，整合各种LLM并使上述层次能够直接访问它们。最后，FinRobot为专业级分析师和普通用户提供了使用强大AI技术进行高级金融分析的实际操作。我们在https://github.com/AI4Finance-Foundation/FinRobot

核心内容

FinRobot概述：一个开源的金融任务平台

如图1所示，FinRobot的整体框架组织成四个不同的层次，每个层次旨在解决金融AI处理和应用的特定方面：

1. 金融AI代理层：金融AI代理层现包含金融推理链（CoT）提示，增强复杂分析和决策能力。市场预测代理、文件分析代理和交易策略代理利用CoT将金融挑战分解为逻辑步骤，将其先进算法和领域专业知识与金融市场的动态变化相结合，以获得精准的、可执行的洞见。
2. 金融LLM算法层：金融LLM算法层配置并利用专门调整的模型，针对特定领域和全球市场分析。它采用FinGPT[Wang et al., 2023d]，以及如Llama系列[Meta, 2023]为美国市场和ChatGLM[Zeng et al., 2022]为中国市场的多源LLM，每个模型针对区域特性进行了优化。Falcon[Almazrouei et al., 2023]模型在金融关系分析中表现出色。此外，多模态模型将文本与K线图结合，而FinRL[Yang et al., 2020; Liu et al., 2020]则优化了诸如投资组合分配等任务，传统机器学习方法[Yang et al., 2018]精化股票选择。这种方法在市场预测和金融文件分析等敏感操作中确保了高精度。
3. LLMOps和DataOps层：LLMOps层实施多源集成策略，选择最适合特定金融任务的LLM，利用一系列最先进的模型。最初部署的是一般LLM；如果性能不理想，系统会动态切换到微调LLM以提高效果。这种自适应方法确保了多样金融情景的定制解决方案，增强了平台的整体性能。同时，DataOps层管理实时数据处理[Liu et al., 2022; Liu et al., 2024; Liu et al., 2023]，这是快速市场响应的关键。这一双层配置增强了FinRobot在动态市场条件下提供及时、准确金融洞见的能力。
4. 多源LLM基础模型层：这一基础层支持多种通用和专门LLM的即插即用功能，构成平台的骨干，确保所有模型都是最新的、优化的，并与金融技术和数据标准的最新进展保持一致。

金融AI代理层

FinRobot的金融AI代理层，如图2所示，包括特定领域的AI代理，通过先进的数据感知、认知处理和动态操作执行来增强金融分析：

Perception 这个模块从市场供给、新闻和经济指标中捕捉和解释多模态金融数据，使用复杂技术对数据进行结构化分析。

Brain 作为核心处理单元，该模块感知来自感知模块的数据，利用LLM和金融推理链（CoT）过程（详见第4节）生成结构化指令。

Action 这个模块执行来自大脑模块的指令，应用工具将分析洞见转化为可操作的结果。操作包括交易、投资组合调整、生成报告或发送警报，从而积极影响金融环境。

Multi-Agent Workflow:是一种分工合作的范式

• Director：在金融分析上下文中，导演作为项目的战略领导者，监督工作流的各个方面。这一角色包括优先处理金融任务、分配资源和协调团队努力，以优化分析时间线和结果。
• Assistant：助理专注于初步的数据管理任务，如收集、处理和进行初步分析金融数据，并促进代理之间的沟通。这个角色支持更专业的分析师，准备数据集、维护数据库和执行基本的金融计算和可视化。这项基础性工作使其他分析师能够专注于更复杂和解释性的金融分析方面。
• LLM Analyst：LLM分析师使用高级计算技术分析金融文本，如报告、文件和新闻文章，利用LLM。这个角色对于从定性数据中提取详细洞见、进行情绪分析和预测市场趋势至关重要。通过将这些洞见与定量数据整合，LLM分析师提供全面的财务健康和市场状况评估，增强决策过程。
• Financial Analysts：在LLM分析师的指导下，金融分析师在投资组合管理、风险评估和市场分析等各个领域进行详细的定量数据分析。利用统计工具和金融模型，他们解释数据、评估投资机会并制定风险缓解策略。他们的专家分析对制定健全的金融策略和提供明智的建议做出了重要贡献。

还有一些其他的工作:

• 通过Text2Params进行API交互:这种方法将自然语言查询转化为API请求，有效结合了生成函数调用和形成API调用的能力。在这种方法中，LLM首先解析文本以识别和提取关键参数。这些参数然后用于动态生成函数调用或直接编译成API请求，与金融软件或数据库进行交互。这种方法特别适用于执行预定义的操作并从外部服务中获取或操作金融数据。
• 通过Text2Code进行代码编译:对于需要动态生成解决方案的复杂金融任务，LLM可以使用Text2Code技术即时编写和编译代码。这一功能对于根据用户查询的独特市场条件或金融情景开发定制算法至关重要。

金融LLM算法层

这一层涵盖了专门设计的高级AI算法，旨在满足金融领域的各种需求，增强平台在各类金融应用中的能力。

金融大型语言模型（FinGPT）
FinGPT[Yang et al., 2023]是一个领域特定的LLM，精心设计以提高在金融背景下的自然语言理解能力。这些模型熟练地分析和解释金融叙述，从复杂文档（如年报和实时金融新闻）中提取关键信息，从而支持更好的决策过程。

金融强化学习（FinRL）
FinRL[Yang et al., 2020]使用集成深度强化学习算法分析历史和实时市场数据，优化交易策略。这种动态调整有助于在最大化财务回报的同时最小化风险，使股票组合分配成为这种方法的理想应用。

金融机器学习（FinML）
FinML[Yang et al., 2018]利用从回归到高级神经网络的多种机器学习技术，提升金融预测分析。这些算法在预测市场趋势、消费者行为、信用风险等关键金融指标方面发挥着重要作用，从而促进了信息化决策。

金融多模态LLM
金融文档通常包含除文本内容外的多种数据类型，如图表[Bhatia et al., 2024]和表格[Wang et al., 2023a]。这些额外的模态提供了丰富的、互补的洞见，显著增强了可能的分析深度。

金融多模态LLM的整合过程的数学表示如下：

$$F(x_t,x_g,x_h)=L(T(x_t),G(x_g),H(x_h))$$

$x_t,x_g和x_h$分别代表文本、图形和表格数据的输入。函数T, G 和 H 将这些输入转换到统一的嵌入空间。LLM L 然后综合这些嵌入以产生一致和可靠的输出，从而提高金融分析的准确性和可靠性。

LLMOps层

LLMOps层设计为高度模块化和可插拔性，能够快速集成和动态切换LLM，以响应不断发展的技术进步和金融市场需求。该层便于无缝模型集成，并包括严格评估和选择最适合特定金融任务的模型的机制。这些功能对于保持操作效率和确保解决方案适应多样金融场景至关重要。

Smart Scheduler
智能调度器，如图3所示，确保模型多样性，优化任务分配，选择最合适的LLM执行每个任务。

智能调度器通过以下组件优化任务分配：

• Director Agent：该组件协调任务分配过程，确保根据代理的性能指标和特定任务的适合性分配任务。
• Agent Registration：管理系统内代理的注册和可用性跟踪，促进高效的任务分配过程。
• Agent Adaptor：针对特定任务调整代理功能，增强其性能并在整体系统中进行集成。
• Task Manager:管理和存储针对各种金融任务的不同通用和微调LLM代理，定期更新以确保相关性和效能。

Smart Scheduler Initialization Process

• Golden Dataset Creation:填充行业特定数据。
• Prompt Store Population:为各种代理填充自定义提示。
• Task Score Filling:调用适配器评估响应与最佳答案的比较，将评分存储在任务评分数据库中。

DataOps层

DataOps层管理金融分析所需的大量和多样化数据集，从公共表格数据到专有市场情绪数据。这一层确保所有输入AI处理管道的数据都是高质量的，并且代表当前的市场状况。有效的数据管理是AI模型精确和可靠性能的基础，因此DataOps层采用先进的数据处理技术来准备和提供这些输入。通过优化数据的可访问性和质量，DataOps层支持FinRobot平台的整体效力，使基于数据驱动的洞见进行复杂和精确的金融决策成为可能。

Retrieval Augmented Generation

检索增强生成（RAG）是FinGPT[Zhang et al., 2023b; Zhang et al., 2023a]中的一个关键技术，它无缝结合了上下文检索机制和LLM的优势，以优化语言生成任务。

多源LLM基础模型层

多源LLM基础模型层为FinRobot配备了管理和集成多样大型语言模型（LLM）的高级能力，这对于适应全球金融市场的动态需求至关重要。此层的主要特性包括：

• 即插即用功能：允许无缝集成和更新通用和专用LLM，确保平台适应并跟上金融技术进步。
• 模型多样性和评估：集成从70亿到720亿参数不等的LLM，每个模型都经过严格评估，确保在特定金融任务中的有效性，基于准确性和适应性等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，增强平台分析和处理多样金融数据的能力，这对于全球市场操作至关重要。

金融推理链（CoT）提示

金融推理链提示将CoT技术适应于AI驱动的金融分析，整合先进的认知处理技术以完善决策能力。它通过引导AI模型进行逻辑、连续的推理过程，激发金融专业人士的思维过程，解决复杂的金融问题。这种方法将复杂的金融情景分解为较小、可管理的组件，分析每个组件并综合结论或建议。正如[Kim et al., 2024]所指出的，这种方法模拟了人类在分析链中的推理，在需要深度分析思考的任务中特别有价值，如估值、投资策略制定、市场趋势分析和风险评估。

这种方法克服了之前的局限性，因为：（1）它不依赖于刚性模板，因为LLM具有生成特性。（2）它避免了错误分类，因为错误检查嵌入在提示层中。（3）通过将投资逻辑编写到其推理中，它简化了人力。（4）它能够从复杂和非结构化数据格式如财报电话会议记录中提取相关历史数据和定性信息。（5）鉴于其多层结构，它提供了更强的解释每个记录和派生值来源和推导依据的基础。（6）它具有高度适应性和可进化性，因为LLM可以通过监督微调和指令微调进行改进。

未来的方向： Market Simulation

要扩展市场模拟的概念并探索其可能性，可以将GPT模拟人类分析过程的能力视为模拟更广泛市场动态的门户。市场模拟超越了纯数字分析，通过纳入类人推理过程，体现了金融环境中多种角色和情景。这种模拟可以包括多种市场参与者，他们的决策受到不断变化的数据输入的影响——从财务报表、报告、市场数据、经济指标到全球新闻。

这种方法的核心在于构建一个详细的模拟环境，在其中这些生成代理代表不同的市场参与者进行互动[Park et al., 2023]。每个代理的决策过程将由数据驱动的提示指导，模拟人类分析师可能采取的认知步骤。这包括解释复杂的市场信号并实时对新信息做出反应，这可以通过先进的机器学习模型和强化学习技术实现。

通过利用LLM，可以理论上将这些决策框架编码到代理中，使其能够执行需要深入理解市场定量和定性方面的任务。这不仅会模拟个人交易决策，还会模拟由多个决策者互动产生的更广泛的市场动态。利用这项技术创建一个虚拟市场环境，测试和分析假设情景，可以提供宝贵的市场行为和策略开发洞见。

这种模拟的详细框架可以包括：（1）定义不同市场参与者的角色和行为（如机构投资者、散户投资者、做市商）。（2）为每个参与者实施多种数据输入和决策模型。（3）在不同时间范围和不同条件下模拟市场互动，以评估潜在的结果和策略。（4）利用强化学习，根据模拟中的表现优化代理的策略。

如[Park et al., 2023]所述，这一概念为未来金融市场分析和策略优化的研究和发展提供了一个有希望的途径。

应用举例

Market Forecaster

市场预测器是一组AI代理，旨在综合近期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见，以及对股价走势的预测。作为一个初级智能顾问，市场预测器代表了AI驱动的金融咨询的重大进步。

这是一个具体的模型回答：英伟达和茅台提供的示例答案

文档分析与生成

文档分析
集成高级LLM的AI代理用于筛选大量金融文档，如年报、SEC文件和财报电话会议记录。这些代理能够提取关键信息，识别关键金融指标，并突出需要仔细检查的趋势和差异。这些AI代理理解和处理复杂金融术语和上下文的能力将大量非结构化数据转化为结构化的、可操作的洞见。

报告生成
在分析阶段之后，同一个代理用于生成综合金融报告。利用LLM的能力，系统生成连贯、清晰、详细的文档，涵盖金融分析的各个方面，包括绩效评估、市场比较和前瞻性财务预测。每份报告都保持专业的语气和格式，反映出顶级金融分析师的质量和深度。

这是对英伟达公司生成的报告

这是对茅台集团生成的报告

参考文献

• Bhatia, G. (2024). Fintral: A family of gpt-4 level multi-modal financial large language models. arXiv preprint arXiv:2402.10986.
• Brown, T. (2020). Language models are few-shot learners. Advances in Neural Information Processing Systems, 33, 1877–1901.
• Cao, L. (2022). Ai in finance: challenges, techniques, and opportunities. ACM Computing Surveys (CSUR), 55(3), 1–38.
• Durante, Z. (2024). Agent ai: Surveying the horizons of multimodal interaction. arXiv preprint arXiv:2401.03568.
• Gao, C. (2023). Large language models empowered agent-based modeling and simulation: A survey and perspectives. arXiv preprint arXiv:2312.11970.
• Gravitas, S. (2023). Autogpt. https://github.com/Significant-Gravitas/AutoGPT.
• Greenwald, B. C. (2004). Value Investing: From Graham to Buffett and Beyond. Business book summary. Wiley.
• Henrique, B. M. (2019). Literature review: Machine learning techniques applied to financial market prediction. Expert Systems with Applications, 124, 226–251.
• Hong, S. (2023). Metagpt: Meta programming for multimodal interaction. arXiv preprint arXiv:2303.04337.
• Kim, M. (2024). Human-machine cooperation in scientific discovery: Leveraging large language models for knowledge generation. arXiv preprint arXiv:2401.04523.
• Liu, Y. (2020). FinRL: Deep reinforcement learning framework to automate trading in quantitative finance. arXiv preprint arXiv:2011.09607.
• Liu, Y. (2022). AlphaMix: Improving stock trading with ensemble learning in deep reinforcement learning. arXiv preprint arXiv:2210.12655.
• Liu, Y. (2023). Multi-objective reinforcement learning for portfolio optimization. arXiv preprint arXiv:2301.09519.
• Meta. (2023). Llama: Open and efficient foundation language models. https://github.com/facebookresearch/llama.
• Wang, Y. (2023a). Deeptrader: Reinforcement learning framework for stock trading with discrete actions. arXiv preprint arXiv:2302.10193.
• Wang, Y. (2023d). FinGPT: Open-source foundation model for financial artificial intelligence. arXiv preprint arXiv:2304.00019.
• Yang, X. (2018). Generative adversarial network based stock price prediction. arXiv preprint arXiv:1806.00971.
• Zeng, J. (2022). ChatGLM: A multilingual dialogue model for global users. arXiv preprint arXiv:2210.10339.
• Zhang, L. (2023a). RAG-LLM: Retrieval-augmented generation for financial text generation. arXiv preprint arXiv:2301.09077.
• Zhang, L. (2023b). FinGPT: Open-source large language models for financial artificial intelligence. arXiv preprint arXiv:2304.00019.
• Zhang, L. (2024). FinAgent: AI agents for automated trading. arXiv preprint arXiv:2401.00047.
• Yu, L. (2023b). Financial multi-task instruction tuning. arXiv preprint arXiv:2304.00050.
• Yu, L. (2023c). FinMem: Financial memory-augmented models for stock prediction. arXiv preprint arXiv:2304.00035.