面向基本面投资研究的多模态生成式人工智能
综合金融
2024-01-15 v1 机器学习
摘要
本报告概述了金融投资行业的一项变革性举措，旨在重塑充斥着诸如筛选海量文档等劳动密集型任务的传统决策过程。利用语言模型，我们的实验旨在自动化信息摘要和投资思路生成。我们力求评估在基础模型（Llama2）上进行微调方法以实现特定应用层面目标的有效性，这些目标包括：提供事件对公司和行业影响的洞察、理解市场状况关联、生成与投资者一致的投资思路，以及格式化输出附带股票推荐和详细解释的结果。通过最先进的生成式建模技术，最终目标是开发一个人工智能代理原型，将人类投资者从重复性任务中解放出来，使其能够专注于高层次战略思考。该项目涵盖多样化的语料数据集，包括研究报告、投资备忘录、市场新闻和广泛的时间序列市场数据。我们进行了三项实验，分别对作为基础模型的 llama2_7b_hf_chat 应用无监督和有监督的 LoRA 微调，以及对 GPT3.5 模型进行指令微调。统计评估和人工评估均表明，微调后的版本在解决文本建模、摘要、推理和金融领域问题上表现更佳，这标志着朝着增强金融领域决策过程迈出了关键一步。该项目的代码实现可在 GitHub 上找到：https://github.com/Firenze11/finance_lm。
引用
@article{arxiv.2401.06164,
title = {Multimodal Gen-AI for Fundamental Investment Research},
author = {Lezhi Li and Ting-Yu Chang and Hai Wang},
journal= {arXiv preprint arXiv:2401.06164},
year = {2024}
}