大型語言模型（LLMs）在推理、工具使用和決策方面表現(xiàn)出色，但金融領(lǐng)域的研究仍然不足?，F(xiàn)有金融基準主要測試靜態(tài)知識，未能反映交易的動態(tài)和迭代特性。本文提出STOCKBENCH基準，旨在評估LLM在真實股票交易環(huán)境中的盈利能力和風(fēng)險管理能力。評估結(jié)果顯示，大多數(shù)LLM智能體未能超越簡單的買入持有基準，表明靜態(tài)問答能力與動態(tài)市場交易策略之間存在差距。摘要大型語言模型（LLMs）在推理、工具使用和決策方面表現(xiàn)出色，但金融領(lǐng)...

深度學(xué)習(xí)在股市預(yù)測中面臨挑戰(zhàn)，因市場波動性大且信號噪聲比低。本文提出一種兩階段框架用于金融時間序列的模式基礎(chǔ)方向預(yù)測。結(jié)合SIMPC（基于DTW的無監(jiān)督聚類方法）和JISCNet（基于形狀的分類器）。SIMPC發(fā)現(xiàn)多變量模式，適應(yīng)動態(tài)窗口、幅度縮放和時間扭曲。JISCNet利用部分輸入序列進行可解釋預(yù)測。在四種金融資產(chǎn)上的實證評估顯示，該方法在方向準確性和交易表現(xiàn)上顯著優(yōu)于競爭基線。該框架通過聚焦于與經(jīng)驗提取模式結(jié)構(gòu)對齊...

技術(shù)分析認為歷史價格數(shù)據(jù)是市場狀況的直接反映。價格變動反映公司基本面、宏觀事件、機構(gòu)流動和市場情緒。大型語言模型（LLMs）在多步推理、工具使用、代碼合成和可解釋性方面表現(xiàn)出色，適合量化金融。本文提出QuantAgent，首個針對高頻算法交易的多智能體LLM框架，QuantAgent在十種金融工具（如比特幣和納斯達克期貨）的零樣本評估中，預(yù)測準確性優(yōu)于隨機預(yù)測基線，為高頻金融市場的實時決策系統(tǒng)開辟了新潛力。摘要近期大型語...

高波動市場吸引了全球投資者，涉及超過40萬億美元的市值，交易者可利用跨式期權(quán)應(yīng)對市場波動。深度強化學(xué)習(xí)在量化交易中取得成功，但高波動市場的特性限制了價格預(yù)測的準確性，可能導(dǎo)致極端損失。本文提出基于強化學(xué)習(xí)和注意力機制的自動化跨式期權(quán)交易方法，適應(yīng)高波動市場的不確定性。在中國股市、布倫特原油和比特幣市場的實驗中，注意力機制的TransformerDDQN模型在最大回撤方面表現(xiàn)最佳，平均收益率超出其他模型92.5%。摘...

金融時間序列預(yù)測對經(jīng)濟穩(wěn)定、投資決策和風(fēng)險管理至關(guān)重要，能夠有效配置資本、減少市場沖擊風(fēng)險。預(yù)測面臨挑戰(zhàn)包括金融時間序列非平穩(wěn)，受經(jīng)濟變化、投資者行為、政策干預(yù)等影響，導(dǎo)致分布隨時間變化。本文提出FinCast，首個專為金融時間序列預(yù)測設(shè)計的基礎(chǔ)模型，基于大規(guī)模金融數(shù)據(jù)集訓(xùn)練。FinCast展現(xiàn)出強大的零樣本性能，能夠捕捉多樣化模式，無需領(lǐng)域特定微調(diào)。結(jié)果顯示，F(xiàn)inCast在零樣本和監(jiān)督金融預(yù)測基準上均優(yōu)于現(xiàn)有方...

金融AI在市場分析、交易策略和投資決策中取得顯著進展，但現(xiàn)有平臺存在碎片化和集成困難。FinWorld是一個開源平臺，提供從數(shù)據(jù)獲取到實驗和部署的全流程支持。FinWorld的特點包括異構(gòu)金融數(shù)據(jù)的原生集成、對多種AI范式的統(tǒng)一支持和高級代理自動化。在四個金融AI任務(wù)（時間序列預(yù)測、算法交易、投資組合管理和大語言模型應(yīng)用）實證結(jié)果表明，F(xiàn)inWorld顯著提高了可重復(fù)性，支持透明基準測試，并簡化了部署，為未來研究和實際應(yīng)用...

《破解“看圖”之謎：技術(shù)分析算法、框架與實戰(zhàn)》是中泰證券于2021年8月發(fā)布的一份金融工程報告，旨在以科學(xué)方法系統(tǒng)化、自動化地識別技術(shù)圖形，并驗證其在實際市場中的有效性。研報簡讀一、研究背景與意義技術(shù)分析長期被視為主觀性強、缺乏統(tǒng)一標(biāo)準的分析方法。報告指出，其不被廣泛接受的主要原因有二：一是缺乏固定算法，導(dǎo)致不同分析者對同一圖表解讀不一；二是多數(shù)文獻未系統(tǒng)論證技術(shù)分析適用的市場環(huán)境與實踐效果。為此，...

金融行業(yè)對大型語言模型（LLMs）提出了獨特挑戰(zhàn)，現(xiàn)有模型在復(fù)雜金融問題上表現(xiàn)不足。本文提出FinTeam，一個金融多智能體協(xié)作系統(tǒng)，包含文檔分析師、分析師、會計師和顧問四個LLM代理。人工評估顯示，F(xiàn)inTeam生成的財務(wù)報告接受率為62.00%，優(yōu)于基線模型GPT4o和Xuanyuan。FinTeam的代理在FinCUGE上平均提升7.43%，在FinEval上提升2.06%準確率。摘要本文提出FinTeam，一個金融多智能體協(xié)作系統(tǒng)，包含文檔分析師、分析師、會計師...

?“MultiFinRAG:AnOptimizedMultimodalRetrievalAugmentedGeneration(RAG)FrameworkforFinancialQuestionAnswering”現(xiàn)代金融文件通常超過100頁，包含復(fù)雜的文本、表格和圖形，準確的問答（QA）對分析師和自動化金融代理至關(guān)重要。然而，現(xiàn)有問答方法面臨文檔長度超出LLM的令牌限制、API成本高、混合格式使得表格和圖形的關(guān)系在轉(zhuǎn)為文本時喪失等挑戰(zhàn)。MultiFinRAG是一個專為金融問答設(shè)計的檢索增強生成框架，解決傳統(tǒng)大語言模...

?“YourTokenBecomesWorthless:UnveilingRugPullSchemesinCryptoTokenviaCodeandTransactionFusionAnalysis”區(qū)塊鏈技術(shù)推動了金融領(lǐng)域的變革，促進了去中心化金融（DeFi）應(yīng)用的發(fā)展，但也帶來了安全挑戰(zhàn)，尤其是“RugPull”詐騙，2024年損失達8540萬美元。RugPull是一種詐騙手法，詐騙者通過吸引投資者購買代幣，隨后撤走資金，導(dǎo)致投資者手中代幣變得毫無價值。本研究收集了645個真實RugPull案例，構(gòu)建了最大的手動分析數(shù)據(jù)...

大型語言模型（LLMs）在金融、醫(yī)療、法律、教育和科學(xué)發(fā)現(xiàn)等領(lǐng)域表現(xiàn)出色，但在專業(yè)金融任務(wù)中仍存在性能不足。本文提出FinLoRA基準，評估不同LoRA變體在復(fù)雜金融任務(wù)中的表現(xiàn)。創(chuàng)建19個金融數(shù)據(jù)集，包括4個新XBRL分析數(shù)據(jù)集，支持LoRA方法的評估。實施并比較五種LoRA方法，平均提高36%準確率，驗證低秩適應(yīng)和量化的有效性。摘要FinLoRA項目基于LoRA方法，評估其在金融領(lǐng)域的應(yīng)用，特別是CFA考試和SEC文件分析。研究中使用了19...

金融大語言模型（FinLLMs）在金融服務(wù)的某些領(lǐng)域顯示出巨大的潛力。多模態(tài)金融基礎(chǔ)模型（MFFMs）可以理解多模態(tài)金融數(shù)據(jù)，包括基礎(chǔ)數(shù)據(jù)、市場數(shù)據(jù)、數(shù)據(jù)分析、宏觀經(jīng)濟和替代數(shù)據(jù)（例如，自然語言、音頻、圖像和視頻）。本文在MFFMWorkshop上介紹了多模態(tài)金融基礎(chǔ)模型（MFFMs）的進展、前景和挑戰(zhàn)，強調(diào)了哥倫比亞大學(xué)SecureFinAI實驗室的FinAgents研究。列出了多模態(tài)金融數(shù)據(jù)和數(shù)據(jù)中心方法，描述了多模態(tài)金融應(yīng)用，展望AI代理...

“FlowHFT:FlowPolicyInducedOptimalHighFrequencyTradingunderDiverseMarketConditions”市場做市（MM）是一種通過同時下買賣單來從買賣差價中獲利的交易策略，提供流動性并提高市場效率。高頻交易（HFT）是市場做市的一種形式，以毫秒或微秒的速度執(zhí)行訂單，利用小幅價格變動獲利。傳統(tǒng)HFT策略（如AS模型和GLFT模型）依賴歷史市場數(shù)據(jù)進行參數(shù)校準，但在市場條件變化時效果受限，容易導(dǎo)致次優(yōu)表現(xiàn)。本文提出FlowHFT框架，基于...

金融市場是高維非線性動態(tài)系統(tǒng)，具有重尾、時變波動和復(fù)雜的橫截面依賴性，導(dǎo)致預(yù)測難度增加。金融市場的資產(chǎn)回報預(yù)測面臨高維度、非平穩(wěn)性和持續(xù)波動性等挑戰(zhàn)。現(xiàn)有的定量研究流程自動化程度低、可解釋性弱、各關(guān)鍵組件協(xié)調(diào)性差。本文提出RDAgent(Q)，一個數(shù)據(jù)驅(qū)動的多代理框架，旨在自動化量化策略的研發(fā)。RDAgent(Q)實現(xiàn)端到端自動化，增強可解釋性，降低幻覺風(fēng)險。RDAgent(Q)在研究階段通過結(jié)構(gòu)化知識森林模擬分析師工作流...

一、規(guī)則引擎為何成為復(fù)雜業(yè)務(wù)的剛需？在電商訂單處理、金融風(fēng)控、物流調(diào)度等場景中，業(yè)務(wù)規(guī)則常呈現(xiàn)動態(tài)性、復(fù)雜性、高頻變更的特征。傳統(tǒng)硬編碼開發(fā)模式面臨兩大痛點：代碼臃腫：分支邏輯嵌套導(dǎo)致代碼可讀性差，維護成本指數(shù)級增長；變更低效：修改規(guī)則需重新發(fā)布系統(tǒng)，無法實現(xiàn)熱更新，影響業(yè)務(wù)連續(xù)性。LiteFlow作為輕量級規(guī)則引擎，通過組件化拆分+可視化編排，支持動態(tài)調(diào)整流程順序、并行異步執(zhí)行、熱部署等特性，成為解決...

準確的金融市場預(yù)測需要多樣化的數(shù)據(jù)源，包括歷史價格趨勢、宏觀經(jīng)濟指標(biāo)和金融新聞?，F(xiàn)有方法通常獨立處理這些數(shù)據(jù)，未能有效建模其交互。本文提出了跨模態(tài)時間融合（CMTF）框架，集成異構(gòu)金融數(shù)據(jù)以提高預(yù)測準確性。實驗表明，CMTF在預(yù)測上優(yōu)于多種基線模型，提升了精度、召回率和F1分數(shù)。摘要準確的金融市場預(yù)測需要多樣化的數(shù)據(jù)源，包括歷史價格趨勢、宏觀經(jīng)濟指標(biāo)和金融新聞?，F(xiàn)有方法通常獨立處理這些數(shù)據(jù)，未能有效建模...

大型語言模型（LLMs）在推理能力上的進展引發(fā)了對其在復(fù)雜任務(wù)中表現(xiàn)的關(guān)注，尤其是在金融領(lǐng)域。DianJinR1是一個針對金融領(lǐng)域的推理增強框架，通過推理增強監(jiān)督和強化學(xué)習(xí)，提升金融推理任務(wù)的表現(xiàn)。DianJinR1模型在金融測試集（CFLUE、FinQA、CCC）上顯著優(yōu)于基礎(chǔ)模型，尤其在CFLUE和CCC上表現(xiàn)突出，DianJinR132B在CFLUE上準確率從77.95提升至86.74，CCC上從56.50提升至96.00，超越DeepSeekR1。摘要DianJinR1是一個針對金融領(lǐng)...

“MTBench:AMultimodalTimeSeriesBenchmarkforTemporalReasoningandQuestionAnswering”時間序列與文本數(shù)據(jù)的結(jié)合對理解復(fù)雜現(xiàn)實現(xiàn)象至關(guān)重要，尤其在金融和天氣預(yù)測領(lǐng)域?，F(xiàn)有基準缺乏對時間序列數(shù)據(jù)與文本之間復(fù)雜關(guān)聯(lián)的關(guān)注，未能處理文本與時間序列數(shù)據(jù)矛盾的情況。本文提出MTBench基準，旨在評估LLMs在金融和天氣領(lǐng)域的多任務(wù)和多模態(tài)推理能力。MTBench通過將時間序列數(shù)據(jù)與相關(guān)文本信息對齊，促進跨模態(tài)互動，支持復(fù)雜推...

社會涌現(xiàn)的研究是社會科學(xué)的核心，傳統(tǒng)的基于規(guī)則的代理模型（ABMs）難以捕捉人類行為的復(fù)雜性和多樣性。大型語言模型（LLMs）作為模擬工具，能夠更好地反映認知偏差和情感波動，適用于社會科學(xué)和角色扮演應(yīng)用。TwinMarket是一個新穎的多代理框架，利用LLMs模擬股票市場中的投資者行為，強調(diào)微觀行為如何驅(qū)動宏觀市場動態(tài)。TwinMarket采用信念欲望意圖（BDI）框架，提供透明的代理認知過程建模，并研究信息傳播和社會影響的動態(tài)...

金融市場復(fù)雜且動態(tài)，受經(jīng)濟指標(biāo)、地緣政治事件和投資者行為的影響，傳統(tǒng)線性分析方法難以捕捉其非線性特征。傳統(tǒng)統(tǒng)計方法（如CAPM、ARIMA）無法有效利用非結(jié)構(gòu)化數(shù)據(jù)（如新聞、經(jīng)濟報告）進行分析和預(yù)測。本文提出FinArena框架，結(jié)合人機協(xié)作以改善股票趨勢預(yù)測和個性化投資決策。人模塊通過交互界面捕捉個體風(fēng)險偏好，制定個性化投資策略。機器模塊利用基于大型語言模型的多代理系統(tǒng)整合多種金融數(shù)據(jù)源。FinArena在股票趨勢預(yù)...