FinCoT：将链式思考 grounded 在专家金融推理中
计算与语言
2026-02-03 v5
摘要
本文提出了 FinCoT，一种结构化链式思考（CoT）提示框架，通过嵌入特定于金融领域的专家推理蓝图来指导大型语言模型的行为。我们识别了金融自然语言处理（FinNLP）中的三种主要提示风格：（1）标准提示（零-shot），（2）非结构化CoT（自由形式推理），（3）结构化CoT（带有明确结构化推理步骤）。以往工作主要关注前两种，而结构化CoT 仍未得到充分探索且缺乏领域专业知识的融入。因此，我们在十个CFA 风格金融领域中评估了所有三种提示方法，并引入 FinCoT 作为首个融合领域专家蓝图的结构化金融提示方法。FinCoT 将通用模型 Qwen3-8B-Base 的准确率从63.2% 提升至80.5%，将金融专用模型 Fin-R1（7B）的准确率从65.7% 提升至75.7%，同时将输出长度相对于结构化CoT 方法分别缩短最高达到8.9倍和1.16倍。我们发现，FinCoT 对缺乏金融后训练的模型最为有效。我们的发现表明，FinCoT不仅提升了性能和推理成本，还产生更具可解释性和专家对齐的推理痕迹。
关键词
引用
@article{arxiv.2506.16123,
title = {FinCoT: Grounding Chain-of-Thought in Expert Financial Reasoning},
author = {Natapong Nitarach and Warit Sirichotedumrong and Panop Pitchayarthorn and Pittawat Taveekitworachai and Potsawee Manakul and Kunat Pipatanakul},
journal= {arXiv preprint arXiv:2506.16123},
year = {2026}
}
备注
Accepted at FinNLP-2025, EMNLP (Oral Presentation)