FinKario：事件增强的金融知识图谱自动构建
机器学习
2025-08-05 v1 人工智能
摘要
个人投资者在金融市场中数量上处于绝对劣势，被海量信息淹没，且缺乏专业分析。股权研究报告作为关键资源，提供了宝贵的见解。通过利用这些报告，大型语言模型（LLM）可以增强投资者的决策能力并加强金融分析。然而，两个关键挑战限制了其有效性：（1）市场事件的快速演变常常超过现有知识库缓慢的更新周期；（2）金融报告的长篇和非结构化性质进一步阻碍了LLM进行及时且上下文感知的整合。为应对这些挑战，我们从数据和方法两个方面入手。首先，我们引入了事件增强的金融知识图谱自动构建（FinKario），这是一个包含超过305,360个实体、9,625个关系三元组和19种不同关系类型的数据集。FinKario通过由专业机构模板引导的提示驱动提取，自动整合实时公司基本面和市场事件，为LLM提供结构化且易于获取的金融见解。此外，我们提出了一种两阶段、基于图的检索策略（FinKario-RAG），优化了不断演变的大规模金融知识的检索，以确保高效和精确的数据访问。大量实验表明，带有FinKario-RAG的FinKario在股票趋势预测准确性方面取得了优越性能，在回测中平均比金融LLM高出18.81%，比机构策略高出17.85%。
引用
@article{arxiv.2508.00961,
title = {FinKario: Event-Enhanced Automated Construction of Financial Knowledge Graph},
author = {Xiang Li and Penglei Sun and Wanyun Zhou and Zikai Wei and Yongqi Zhang and Xiaowen Chu},
journal= {arXiv preprint arXiv:2508.00961},
year = {2025}
}