跳转至

2024金融领域人工智能精华文献回顾

在过去的两年中，随着生成式人工智能（Generative AI）与大型语言模型（LLMs）技术的飞速发展，金融领域的前沿研究和应用也迎来新一轮的革新。本文旨在汇总、梳理与展示 过去两年在定量金融与 LLM 交叉领域具有代表性的关键学术论文及实践案例。通过对历史演进、方法论挑战、应用场景与评估基准的系统性介绍，本综述为读者提供一个清晰的导览图，帮助从业者与研究者更好地理解并利用 LLM 技术推动金融领域的创新与变革。

内容目录

  1. LLM 的发展简史
  2. LLM 的一般应用场景
  3. FinLLMs 的方法论、应用及挑战
  4. 金融 LLM 的全景图
  5. 48 篇金融领域 Generative AI 关键论文目录
  6. 金融预测、投资策略与风险管理
  7. 情感分析与文本挖掘
  8. 时间序列分析与预测
  9. LLM 开发（微调）与金融数据整合
  10. 金融 LLM 的评估与基准测试

LLM 的发展简史

LLM 的一般应用场景

  • Fine Tuning（微调）：
    将通用 LLM 调整为特定领域的专家。先从具备广泛知识的 LLM 出发，然后用特定领域的数据对其进行定向训练，使其理解专业文件（如医疗记录、法律文件），并胜任相关任务。

  • Prompt Engineering（提示工程）：
    若无法为 LLM 提供足够的微调数据，可通过为模型设计巧妙指令和提示，引导其在数据不足的情况下仍能高效执行特定任务。

  • RAG（Retrieval-Augmented Generation）：
    当缺乏合适的微调数据或提示数据时，为 LLM 提供可检索的大型数据仓库。LLM 通过搜索与查询内容相似的文本，利用文本嵌入与编码技术，找到相关信息，以弥补知识盲区，增强回答的参考性。

  • COT（Chain of Thoughts）链式思考：
    帮助 LLM 将复杂问题分解为若干小步骤，更深入地进行逻辑推理。

  • Agent CodeLLM（带求解器的 LLM）：
    如 Code Interpreter，可直接对代码和数据进行处理。

  • Agent LLM 与搜索引擎集成：
    如 “perplexity”，使 LLM 能利用搜索引擎获取实时信息回答复杂查询。

  • Self-Reflection（自我反思）：
    LLM 对自身输出进行评估，从不同回答中选择最合适的结果，以提高准确度和相关性。

  • Multishot Prompting（多示例提示）：
    在同一提示中提供多个示例，使 LLM 更好地理解任务，从而输出更高质量、更精确的回答。

  • Hallucinations/Machine Unlearning/Safety（幻觉/机器遗忘/安全）：
    由于数据质量、生成方法偏差、概率特性、高温度设置或误导性提示等因素，LLM可能产生不符合事实的回答，需要安全策略与模型改进来降低此类风险。

FinLLMs 的方法论、应用与挑战

  • 应用场景：
  • 市场新闻情感分析
  • 财务报告风险评估
  • 自动化金融建议
  • 自动交易策略
  • 欺诈检测
  • 客户服务机器人

  • 市场趋势分析

  • 挑战：

  • 数据隐私与安全
  • 模型可解释性
  • 偏差消减
  • 与现有系统的无缝集成

  • 准确回测（避免 GPT 模型时序信息泄漏）

  • 未来方向：

  • 增强模型透明度
  • 探索无监督学习机会
  • 制定金融领域 AI 的伦理规范

选择合适的方法将显著影响模型在特定金融任务中的有效性。

金融 LLM 的全景图

金融预测、投资策略与风险管理

  • ChatGPT Stock Forecasting: 利用 ChatGPT 分析新闻情感预测股票收益，显著优于传统方法。

  • FinancialStatementAnalysis: LLM 使用财报文本预测企业盈余变动，表现优于人类分析师。

  • Ploutos: 引入可集成文本与数值数据的金融 LLM 框架，提升股票预测准确度与可解释性。

  • QuantAgent: 自我提升的量化投资 LLM Agent，通过双层学习流程增强金融预测与信号挖掘。

  • MarketSenseAI: 利用 GPT-4 分析多元数据，为股票选择提供卓越绩效。

  • RiskLabs: 基于 LLM 的风险模型在预测市场波动和 VaR 上领先于传统及 AI 模型。

  • LOB-LLM: 通过端到端自回归模型对订单簿信息进行预测，相关性表现优异。

  • Alpha-GPT: 将人类纳入决策循环，实现高效、精准的量化投资。

  • LLMFinAdvice: LLM 在提供可执行的投资建议中，基础与大型模型优于小型微调模型。

  • LLMsCostROI: 利用决策理论评估 LLM 成本与收益，分析投资回报率与盈利潜力。

  • SystemicRisk: 利用 LLM 嵌入与知识图谱评估金融新闻中的系统性风险，发现美国金融机构间互联性较低。

情感分析与文本挖掘

  • FinLlama: 基于 Llama 2 7B 微调的金融情感分析模型，更好地理解上下文并在波动市场中具有稳健性。

  • BioFinBERT: 专注生物科技领域新闻稿对股价影响的金融情感分析。

  • SALLMRef: 评估 ChatGPT 等 LLM 在情感分析中的表现，LLM 在少样本学习上有优势但在复杂任务上仍受限。

  • SentiEval: 提出 SENTIEVAL 基准，用于全面评估 LLM 在情感分析任务中的表现。

  • FinSentGPT: 基于 ChatGPT 微调的金融情感模型，支持多语言并优于现有模型。

  • CryptoSentiment: 微调 GPT-4 在加密货币情感分析中优于 BERT 和 FinBERT。

  • FinancialTextAnalytics: JPMorgan 研究评估 ChatGPT 和 GPT-4 在金融文本分析中的优劣。

  • NumLLM: 利用中文金融教材训练的模型，在数值类金融问题理解上显著优于现有模型。

时间序列分析与预测

  • LLM-TimeSeries: JPMorgan 对 LLM 在时间序列理解能力的系统评估及分类法研究。

  • TimeGPT-1: 预训练的时间序列预测基础模型，在零样本下超越传统统计、机器学习和深度学习方法。

  • TiMaGPT: Time Machine GPT，对历史数据进行时间自适应训练，避免未来数据泄露。

  • SEEDS-GEE-WeatherForecast: 利用扩散模型的天气预测仿真，为大宗商品交易提供新思路。

  • LLMsStochasticFiltering: MoE-F 算法动态融合多预训练 LLM 的预测，F1 指标有大幅提升。

  • LLMsDistributionalShifts: JPMorgan 提出框架利用 LLM 和 API 收集多元时间序列数据，应对分布偏移。

  • AnomalyDetection: 利用 LLM 嵌入提高金融异常检测的准确率。

LLM 开发（微调）与金融数据整合

  • BloombergGPT: 首个将金融数据与文本数据相结合的专用金融 LLM。

  • FinGPT: 开源金融 LLM，利用 RLHF 技术进行微调。

  • FinMEM: 具有人类对齐记忆机制的 LLM Agent，用于自动交易。

  • FinAgent: 多模态金融交易基础 Agent，融合多源数据、工具扩展和高级推理。

  • FinTextQA: 金融问答数据集，Baichuan2-7B 表现接近 GPT-3.5-turbo。

  • FinGPT-RLSP: FinGPT 利用 RLSP 从多元实时数据中自动采集并微调，提高实时处理能力。

  • FinTral: 基于 Mistral-7b 的多模态金融 LLM 套件，适应多样数据类型与领域训练。

  • Shai: 面向资产管理领域的 10B 参数级别 LLM。

  • FinVerse: 具备 600+ API 的金融 Agent 系统，利用 LLM 驱动的 SFT 增强数据分析。

  • FinRobot: 开源平台，将专用 AI Agent 与金融分析相融合，提升分析与决策效率。

  • BlackScholesInDiffusionModels: 将 Black-Scholes 算法引入扩散模型提示混合中，生成更逼真的图像。

  • FLAN-FinXC: 基于 FLAN-T5 与 LoRA 微调，在金融数值标注任务中表现出色。

金融 LLM 的评估与基准测试

  • LLM-InvestingRationality: 提出经济理性评估方法，GPT-4 Turbo 在 14 个 LLM 中表现最佳。参见 Are Large Language Models Rational Investors?。

  • FinBen: 面向金融领域的开源 LLM 评估基准，包括 35 个数据集和 23 个任务。

  • FinLLMs: 金融领域 LLM 调查研究。

  • LLMsRiskProfile: 当 LLM 对齐人类伦理后表现更风险厌恶，影响经济决策与投资行为。

  • LLMsEffectOnCryptoLiquidity: AI 革命提升加密货币市场效率与流动性，特别在 ChatGPT-3 发布后。

  • AutoGPT: 将 LLM 能力扩展至复杂推理与协作任务。

  • FinGPT-Benchmark: 通过指令微调评估开源金融 LLM 整合与基准测试的多样性和性能。

  • Portfolio with GenAI: 利用图模型实现成本高效的投资组合复制，满足投资者偏好并保持高相关性与稳定性。

  • FinGen: 提出三项前瞻性金融论点生成任务，利用证据、图表和新闻，彰显当前难点。

  • AIinFinance: 国际清算银行（BIS）研究生成式 AI 对金融中介、保险、资管和支付领域的影响，同时提出对金融稳定与监管的新挑战。

关于LLMQuant

LLMQuant是由一群来自世界顶尖高校和量化金融从业人员组成的前沿社区，致力于探索人工智能（AI）与量化（Quant）领域的无限可能。我们的团队成员来自剑桥大学、牛津大学、哈佛大学、苏黎世联邦理工学院、北京大学、中科大等世界知名高校，外部顾问来自Microsoft、HSBC、Citadel、Man Group、Citi、Jump Trading、国内顶尖私募等一流企业。