FinRobot：一个使用大型语言模型的金融应用开源AI代理平台

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

论文地址：https://arxiv.org/pdf/2405.14767

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

摘要

在金融领域与AI社区间，数据和专业知识的隔阂限制了AI技术在金融任务中的有效应用。本文介绍了一种专为金融设计的LLM工具链，旨在促进AI于金融决策过程中的广泛应用。FinRobot是一个开源平台，基于LLM的AI代理，支持多种金融服务专用的AI工具。它由四个核心部分组成：

金融AI代理层：负责将复杂的金融问题分解成可处理的逻辑序列；
金融LLM算法层：根据特定任务需求调整模型策略；
LLMOps和DataOps层：利用训练或微调方法及相应数据生成精确模型；
多源LLM基础模型层：集成多个LLM，实现直接访问。

通过这些层次的设计，FinRobot为专业人士及普通用户提供了强大的金融分析支持。

简介

财务分析包括基本分析（如公司估值）和技术分析（如市场趋势预测），并且这些分析高度依赖数据。随着数字化进程的推进，数据量及其复杂度不断攀升，促使金融专家更多地借助算法和AI技术处理信息。人工智能通过自动化流程，例如情感分析和市场预测，革新了传统的财务分析方法。早期的AI模型现在已经演进为更为先进的大语言模型（LLM）。利用LLM，AI代理能够执行复杂的任务，比如规划和记忆管理，从而降低了对人工操作的需求。

FinRobot作为一个开源平台，依靠多种来源的LLM来优化金融任务处理的透明性和扩展性。它提供了一个全面的金融AI代理框架，适用于广泛的金融活动，并集成了多源LLM，通过智能调度机制选择最适合的模型应对市场的多样性。目前，FinRobot已对外开放源代码，旨在激发金融AI社区内的合作与创新精神。

01相关工作

金融AI代理

AI驱动的金融系统，例如FinAgent和FinMem，利用实时市场数据来优化其交易策略。然而，这些系统往往过于侧重于回测和单个股票的收益，而忽略了流程导向的重要性。一个高效的交易代理应该致力于改进操作流程，实现策略执行和订单提交的自动化，从而减少对人工操作的依赖。转向流程导向不仅能够提升金融技术的可持续性和灵活性，还能促进更稳健的发展。

开源AI代理框架

开源AI代理框架的兴起加速了先进AI技术的普及。主要平台有AutoGPT、AutoGen、MetaGPT、HuggingGPT、ChatDev、Dify和Voyager，这些平台促进了全球开发者的合作与创新。随着对复杂金融工具需求的增长，预计不久将会出现专门针对金融任务的开源框架。

AI4Finance基金会与开源文化

AI4Finance Foundation倡导金融科技领域的开源文化，专注于标准化实践和发展开源资源。其目标是为研究人员和行业专家创建一个合作平台，促进专业知识与创新的融合。通过将AI技术应用于金融服务，该组织加速了技术的进步，确保这一进程透明、可访问，并对整个金融行业有益。

02FinRobot：一个金融领域的开源平台

FinRobot的整体架构由四个核心部分组成，每个部分都针对金融领域AI处理和应用的特定方面进行了优化：

金融AI代理层：通过引入金融链式思维（CoT）提示来提升复杂分析和决策能力，使得市场预测、文档分析和交易策略代理能够将复杂的金融问题分解成更小的部分，提供精确且可操作的见解。
金融LLMs算法层：配置了专门调整的模型，如使用FinGPT及多源LLMs（例如Llama和ChatGLM），以优化地区特性，并结合多模态模型与传统机器学习方法，确保高度准确的市场预测和文档分析结果。
LLMOps和DataOps层：LLMOps负责动态选择和微调LLMs以增强任务性能，而DataOps管理实时数据处理流程，提高市场响应速度，保证金融洞察的及时性和准确性。
多源LLM基础模型层：支持多种通用和专业的LLMs即插即用功能，确保持续的模型更新和优化，使其符合金融技术和数据标准的发展。

金融AI代理

FinRobot的金融AI代理由多个领域专用的AI代理构成，通过高级数据感知、认知处理及动态操作执行来提升财务分析能力。

感知模块负责收集和解析多模态金融数据，运用先进架构将数据结构化以供后续分析。
大脑模块作为核心处理中心，利用大型语言模型（LLM）和金融推理能力生成结构化的指令。
行动模块则执行这些指令，进行如交易、投资组合调整、报告生成或发送警报等操作，从而积极地对金融环境产生影响。

多智能工作流

多代理工作流系统依靠不同角色间的协作来处理复杂的金融数据，从而增强分析的准确性和深度：

Director负责项目的整体战略方向，包括设定任务优先级、分配资源和协调团队合作。
Assistant专注于数据管理、初步分析以及团队内部的沟通，为其他分析师提供支持。LLM Analyst运用大型语言模型对金融文本进行分析，从中提取有价值的信息，执行情感分析及市场趋势预测。
Financial Analysts则在LLM Analyst的指导下，深入进行定量数据分析，评估投资机会与风险管理策略。

通过这种角色间的紧密合作，整个团队能够实现全面的金融分析，确保对数据的深度探索与解读，进而辅助做出明智的战略决策。

基于LLM进行工具调用

API交互：利用Text2Params方法，将自然语言查询转换为API请求，通过提取关键参数来生成函数调用或API请求，特别适用于金融数据的检索和处理。
代码编译：Text2Code技术使得根据用户查询和市场状况动态生成并编译代码成为可能，支持开发自定义算法。
高级AI算法层：这一层集成了专门为金融领域设计的先进AI算法，增强了平台在各类金融应用中的功能性和灵活性。

金融LLM

金融大语言模型（FinGPT）

FinGPT是一款专为金融领域量身打造的语言模型，旨在增强对自然语言的理解能力。它能够解析复杂的金融文档，如年度报告和即时新闻，从中抽取关键信息以辅助决策过程。通过利用金融领域的“指令-响应”数据进行监督微调训练，其优化目标是最大化生成预期回复的概率，训练过程中采用了负对数似然函数作为优化标准。

金融强化学习（FinRL）

FinRL运用集成的深度强化学习算法来优化交易策略，通过分析历史和实时市场数据，以实现财务回报的最大化和风险的最小化，特别适用于股票投资组合的配置。股票投资组合配置被构建成一个马尔可夫决策过程（MDP），其中代理在状态s_t时选择动作a_t，这一选择依据策略π_θ(s_t)进行。此动作引发状态转移到s_t+1，并产生奖励r(s_t, a_t, s_t+1)。最终目标是优化这一策略，以达到最佳的投资效果。

金融机器学习（FinML）

FinML运用多种机器学习技术，如回归分析和神经网络，来增强金融预测分析。这些算法有助于预测市场趋势、消费者行为、信用风险等重要金融指标，为决策提供支持。其中一个重要指标是对数收益率（log-return），其计算公式为：

这里，S代表股票价格，nT表示被监测公司的数量，f是预测的时间期限。对数收益率是评估投资表现和制定金融策略的关键工具。

金融多模态LLMs

财务文档包含文本、图表和表格等多种类型的数据，提供了多维度的分析视角。为此开发的金融多模态LLM能够处理并整合这些不同的数据类型，从而加深对财务文档的理解。数学表达式如下：

这里，x_t、x_g、x_h分别代表文本、图形和表格输入。函数T、G、H将这些不同类型的输入转化为统一的嵌入空间，然后由LLM L综合这些嵌入信息生成可靠的输出。这种方法增强了财务分析的准确性和可靠性。

LLMOps

LLMOps层设计得非常模块化且支持插拔功能，允许快速集成和动态替换LLM。它能够实现模型的无缝集成，并设有严格的评估体系，用于挑选最适合特定金融任务的5个模型。这些特性对于保持运营效率及适应多变的金融场景至关重要。

智能调度程序

智能调度器是保证模型多样性的关键工具，它优化了各种大型语言模型（LLM）的集成与选择，以确保能够适应不同类型的任务。

智能调度器架构

智能调度器通过优化任务分配来提高效率，其主要组件包括：

指挥代理：根据代理的绩效和适应性进行任务分配；
代理注册：管理代理的注册信息和可用状态，以促进高效的任务分配；
代理适配器：调整代理功能以更好地适应特定任务，从而提升性能和系统整合度；
任务管理器：负责管理和存储针对不同金融任务的LLM代理，并定期更新，确保其相关性和有效性。

智能调度程序初始化过程

数据集创建：添加行业特定的数据。
提示库填充：为每个代理配置定制的提示。
任务评分填充：通过调用适配器来评估响应，并将评分结果存储在任务评分数据库中。

智能调度程序行动过程

任务启动：用户发起一个任务。导演代理角色：评估任务的输入，并依据代理的表现和相关性进行排名。
代理选择与任务分配：将任务分配给排名最高的代理执行。
工作流进展与自我评估：任务完成后，该代理会进行自我评估，其结果会被记录在未来反思存储中。
工作流完成与评估：在工作流结束时，代理对其自身的执行结果进行评估并提供反馈，以支持持续改进的过程。

评分标准

数据收集：从各种LLM在多项评估任务中的表现中收集数据。
归一化：将每项评估任务的结果标准化至0到1的范围内。
权重分配：依据行业标准或专家意见，为不同的评估维度设定权重。
计算综合得分：通过将标准化后的得分与权重相乘后求和，得出每个任务的最终得分。
结果分析：分析这些得分以对LLM进行排名和评估，提供性能对比及选择建议。

这种结构提高了金融AI代理的操作效率，支持动态管理多样化的金融任务，增强了在实时金融环境中处理复杂多代理场景的能力。

DataOps

DataOps层负责管理各种金融数据，确保数据的高质量和市场代表性。高质量的数据是保证AI模型准确性的基石，对于支持金融决策至关重要。通过运用先进的数据处理技术，该层优化了数据的可访问性和质量，从而增强了金融分析的有效性。

检索增强生成

RAG技术整合了上下文检索机制与大型语言模型（LLM），以提升语言生成任务的性能。在FinRobot中，LLMOps和DataOps层构成了其核心，确保了金融AI服务中的技术创新与可靠性。

多源LLM基础模型层

多源LLM基础模型层赋予FinRobot先进的能力，以适应全球金融市场的需求。

插拔功能实现了通用和专业LLM的无缝集成与更新，保持了平台的灵活性。
模型多样性和评估机制确保从7亿到720亿参数的各类LLM根据性能指标被筛选出最优选项。
全球市场兼容性方面，支持多语言模型的集成，从而增强了处理各种金融数据的能力。

03金融思维链（CoT）提示

简介

链式思维提示技术利用结构化的提示引导AI模型进行逐步推理，模仿人类解决问题的方式。这种方法能够显著提高在复杂推理任务（例如数学和常识推理）中的表现。它鼓励模型详细说明中间的推理步骤，以达到最终的答案。这不仅提升了准确性，还增强了决策过程的可解释性和透明度。

金融CoT的概念

金融CoT提示整合了链式思维（CoT）技术与高级认知处理，增强了AI在金融分析和决策方面的能力。这种方法通过逻辑步骤指导AI模型，协助金融专家解决复杂问题。它将复杂的金融情况分解成易于管理的部分，逐一进行分析，并综合各部分的结果以形成结论或建议。这种方式模仿人类的推理过程，适用于诸如估值、投资策略制定、市场趋势分析和风险评估等需要深入分析的任务。

金融CoT的实现

金融分析：FinRobot运用大型语言模型（LLM）进行财务报表分析，通过与行业竞争对手和历史表现的对比，识别异常的财务比率，为企业提供深刻的商业洞察。

业务特定分析：借助检索增强生成（RAG）技术，FinRobot能够从网络上收集公司产品和服务的相关数据，进而分析产品线、成本结构及供应链动态。

市场分析：FinRobot结合财务比率、市场数据以及情绪分析来模拟市场参与者的决策过程，评估公司的股价走势和估值，为投资者提供关于投资时机和金融工具的战略指导。

估值分析：通过整合多个数据源，FinRobot评估股价和公司估值，针对不同的风险承受水平提供投资评估和策略建议。

金融CoT提示的好处

当前的数据提供商（如Bloomberg、FactSet等）采用的模板化数据提取方式往往忽略了重要的运营指标和定性信息。手动分析不仅耗时而且重复度高，而现有的自动化工具在处理非结构化数据方面效果有限。FinRobot通过其链式思维提示（CoT Prompting）技术模拟人类的认知过程，提供了比传统数字计算更为深入的财务分析。

这种方法利用大型语言模型（LLMs）来学习金融专业人士的分析策略，特别关注公司的基本面、行业特定指标以及定性信息。其优势包括：不依赖固定的模板、内置错误检测机制、减少人工劳动、从复杂数据集中提取有价值的信息、提供透明的数据来源解释，并且具有高度适应性，能够通过监督和指令调优持续改进。

市场模拟：超越分析师的模仿

市场模拟可以通过复制人类的分析过程，创建一个涵盖不同类型市场参与者的环境，以反映市场的动态变化。在这个模拟环境中，代理人根据数据驱动的提示做出决策，模仿人类分析师的思考步骤。通过使用大型语言模型（LLMs）编码的决策框架，这些代理人能够理解和处理市场的定量与定性因素。

模拟框架包含以下几个方面：定义市场参与者角色及其行为模式、实施多种数据输入和决策模型、在不同的时间范围和条件下模拟市场互动情况、并利用强化学习技术来优化代理人的策略。这个概念为金融市场分析及策略优化领域的未来研究提供了一个极具潜力的方向。

04演示应用程序和实践教程

应用一：市场预测员

Market Forecaster是一组AI代理，设计用于整合市场新闻和金融数据，提供关于公司最新成就和潜在问题的全面分析。它还能预测股票价格的走势。作为一位初级机器人顾问，它代表了AI驱动金融顾问领域的一项重大进展。

数据

Market Forecaster使用多个数据源来进行全球市场预测，特别聚焦于美国和中国股市。它收集的信息涵盖了公司新闻、基础财务数据及股票价格。其主要数据来源是Finnhub和EastMoney。

模型

这个AI代理基于经过微调的FinGPT-Forecasters，使用了Llama-2-7b-chat-hf与LoRA技术。其数据来源于最近一年美国道琼斯30和中国上证50的股票数据，确保对关键股票提供精准预测。它在多种股票代码上展示了强大的泛化能力。通过采用金融多任务指令调优方法，增强了基础模型与市场预测功能之间的匹配度。

提示

市场预测器利用多任务指令调优框架，并采用复杂的提示格式。它收集了公司的多方面信息，包括公司简介、近期股价、最新新闻和基础财务数据。然后，通过提示工程将这些信息转化为指令提示的形式。

预测结果

通过Nvidia和Kweichow Moutai的案例分析，展示了市场预测工具的全面能力。这个工具能够基于多种信息来源提供有价值的见解。此外，它还针对股票未来的走势提出了建议，体现了其在提供可操作指导方面的能力。