大型语言模型(LLMs)在推理、工具使用和决策方面表现出色,但金融领域的研究仍然不足。现有金融基准主要测试静态知识,未能反映交易的动态和迭代特性。本文提出STOCKBENCH基准,旨在评估LLM在真实股票交易环境中的盈利能力和风险管理能力。评估结果显示,大多数LLM智能体未能超越简单的买入持有基准,表明静态问答能力与动态市场交易策略之间存在差距。摘要大型语言模型(LLMs)在推理、工具使用和决策方面表现出色,但金融领...
深度学习在股市预测中面临挑战,因市场波动性大且信号噪声比低。本文提出一种两阶段框架用于金融时间序列的模式基础方向预测。结合SIMPC(基于DTW的无监督聚类方法)和JISCNet(基于形状的分类器)。SIMPC发现多变量模式,适应动态窗口、幅度缩放和时间扭曲。JISCNet利用部分输入序列进行可解释预测。在四种金融资产上的实证评估显示,该方法在方向准确性和交易表现上显著优于竞争基线。该框架通过聚焦于与经验提取模式结构对齐...
技术分析认为历史价格数据是市场状况的直接反映。价格变动反映公司基本面、宏观事件、机构流动和市场情绪。大型语言模型(LLMs)在多步推理、工具使用、代码合成和可解释性方面表现出色,适合量化金融。本文提出QuantAgent,首个针对高频算法交易的多智能体LLM框架,QuantAgent在十种金融工具(如比特币和纳斯达克期货)的零样本评估中,预测准确性优于随机预测基线,为高频金融市场的实时决策系统开辟了新潜力。摘要近期大型语...
2025-09-28 06:56:19 1485浏览 0点赞 0回复 0收藏
高波动市场吸引了全球投资者,涉及超过40万亿美元的市值,交易者可利用跨式期权应对市场波动。深度强化学习在量化交易中取得成功,但高波动市场的特性限制了价格预测的准确性,可能导致极端损失。本文提出基于强化学习和注意力机制的自动化跨式期权交易方法,适应高波动市场的不确定性。在中国股市、布伦特原油和比特币市场的实验中,注意力机制的TransformerDDQN模型在最大回撤方面表现最佳,平均收益率超出其他模型92.5%。摘...
2025-09-17 00:13:29 1428浏览 0点赞 0回复 0收藏
金融时间序列预测对经济稳定、投资决策和风险管理至关重要,能够有效配置资本、减少市场冲击风险。预测面临挑战包括金融时间序列非平稳,受经济变化、投资者行为、政策干预等影响,导致分布随时间变化。本文提出FinCast,首个专为金融时间序列预测设计的基础模型,基于大规模金融数据集训练。FinCast展现出强大的零样本性能,能够捕捉多样化模式,无需领域特定微调。结果显示,FinCast在零样本和监督金融预测基准上均优于现有方...
2025-09-04 00:17:46 1753浏览 0点赞 0回复 0收藏
金融AI在市场分析、交易策略和投资决策中取得显著进展,但现有平台存在碎片化和集成困难。FinWorld是一个开源平台,提供从数据获取到实验和部署的全流程支持。FinWorld的特点包括异构金融数据的原生集成、对多种AI范式的统一支持和高级代理自动化。在四个金融AI任务(时间序列预测、算法交易、投资组合管理和大语言模型应用)实证结果表明,FinWorld显著提高了可重复性,支持透明基准测试,并简化了部署,为未来研究和实际应用...
2025-09-04 00:17:29 4749浏览 0点赞 0回复 0收藏
《破解“看图”之谜:技术分析算法、框架与实战》是中泰证券于2021年8月发布的一份金融工程报告,旨在以科学方法系统化、自动化地识别技术图形,并验证其在实际市场中的有效性。研报简读一、研究背景与意义技术分析长期被视为主观性强、缺乏统一标准的分析方法。报告指出,其不被广泛接受的主要原因有二:一是缺乏固定算法,导致不同分析者对同一图表解读不一;二是多数文献未系统论证技术分析适用的市场环境与实践效果。为此,...
2025-08-22 07:34:41 1501浏览 0点赞 0回复 0收藏
金融行业对大型语言模型(LLMs)提出了独特挑战,现有模型在复杂金融问题上表现不足。本文提出FinTeam,一个金融多智能体协作系统,包含文档分析师、分析师、会计师和顾问四个LLM代理。人工评估显示,FinTeam生成的财务报告接受率为62.00%,优于基线模型GPT4o和Xuanyuan。FinTeam的代理在FinCUGE上平均提升7.43%,在FinEval上提升2.06%准确率。摘要本文提出FinTeam,一个金融多智能体协作系统,包含文档分析师、分析师、会计师...
2025-07-24 07:41:07 1305浏览 0点赞 0回复 0收藏
“MultiFinRAG:AnOptimizedMultimodalRetrievalAugmentedGeneration(RAG)FrameworkforFinancialQuestionAnswering”现代金融文件通常超过100页,包含复杂的文本、表格和图形,准确的问答(QA)对分析师和自动化金融代理至关重要。然而,现有问答方法面临文档长度超出LLM的令牌限制、API成本高、混合格式使得表格和图形的关系在转为文本时丧失等挑战。MultiFinRAG是一个专为金融问答设计的检索增强生成框架,解决传统大语言模...
2025-07-03 07:03:53 2145浏览 0点赞 0回复 0收藏
“YourTokenBecomesWorthless:UnveilingRugPullSchemesinCryptoTokenviaCodeandTransactionFusionAnalysis”区块链技术推动了金融领域的变革,促进了去中心化金融(DeFi)应用的发展,但也带来了安全挑战,尤其是“RugPull”诈骗,2024年损失达8540万美元。RugPull是一种诈骗手法,诈骗者通过吸引投资者购买代币,随后撤走资金,导致投资者手中代币变得毫无价值。本研究收集了645个真实RugPull案例,构建了最大的手动分析数据...
2025-07-03 07:00:22 1768浏览 0点赞 0回复 0收藏
大型语言模型(LLMs)在金融、医疗、法律、教育和科学发现等领域表现出色,但在专业金融任务中仍存在性能不足。本文提出FinLoRA基准,评估不同LoRA变体在复杂金融任务中的表现。创建19个金融数据集,包括4个新XBRL分析数据集,支持LoRA方法的评估。实施并比较五种LoRA方法,平均提高36%准确率,验证低秩适应和量化的有效性。摘要FinLoRA项目基于LoRA方法,评估其在金融领域的应用,特别是CFA考试和SEC文件分析。研究中使用了19...
2025-06-19 07:37:45 1943浏览 0点赞 0回复 0收藏
金融大语言模型(FinLLMs)在金融服务的某些领域显示出巨大的潜力。多模态金融基础模型(MFFMs)可以理解多模态金融数据,包括基础数据、市场数据、数据分析、宏观经济和替代数据(例如,自然语言、音频、图像和视频)。本文在MFFMWorkshop上介绍了多模态金融基础模型(MFFMs)的进展、前景和挑战,强调了哥伦比亚大学SecureFinAI实验室的FinAgents研究。列出了多模态金融数据和数据中心方法,描述了多模态金融应用,展望AI代理...
2025-06-19 07:26:00 2356浏览 0点赞 0回复 0收藏
“FlowHFT:FlowPolicyInducedOptimalHighFrequencyTradingunderDiverseMarketConditions”市场做市(MM)是一种通过同时下买卖单来从买卖差价中获利的交易策略,提供流动性并提高市场效率。高频交易(HFT)是市场做市的一种形式,以毫秒或微秒的速度执行订单,利用小幅价格变动获利。传统HFT策略(如AS模型和GLFT模型)依赖历史市场数据进行参数校准,但在市场条件变化时效果受限,容易导致次优表现。本文提出FlowHFT框架,基于...
2025-06-06 10:45:00 2223浏览 0点赞 0回复 0收藏
金融市场是高维非线性动态系统,具有重尾、时变波动和复杂的横截面依赖性,导致预测难度增加。金融市场的资产回报预测面临高维度、非平稳性和持续波动性等挑战。现有的定量研究流程自动化程度低、可解释性弱、各关键组件协调性差。本文提出RDAgent(Q),一个数据驱动的多代理框架,旨在自动化量化策略的研发。RDAgent(Q)实现端到端自动化,增强可解释性,降低幻觉风险。RDAgent(Q)在研究阶段通过结构化知识森林模拟分析师工作流...
2025-05-26 06:57:05 3301浏览 0点赞 0回复 0收藏
一、规则引擎为何成为复杂业务的刚需?在电商订单处理、金融风控、物流调度等场景中,业务规则常呈现动态性、复杂性、高频变更的特征。传统硬编码开发模式面临两大痛点:代码臃肿:分支逻辑嵌套导致代码可读性差,维护成本指数级增长;变更低效:修改规则需重新发布系统,无法实现热更新,影响业务连续性。LiteFlow作为轻量级规则引擎,通过组件化拆分+可视化编排,支持动态调整流程顺序、并行异步执行、热部署等特性,成为解决...
2025-05-13 00:10:39 1583浏览 0点赞 0回复 0收藏
准确的金融市场预测需要多样化的数据源,包括历史价格趋势、宏观经济指标和金融新闻。现有方法通常独立处理这些数据,未能有效建模其交互。本文提出了跨模态时间融合(CMTF)框架,集成异构金融数据以提高预测准确性。实验表明,CMTF在预测上优于多种基线模型,提升了精度、召回率和F1分数。摘要准确的金融市场预测需要多样化的数据源,包括历史价格趋势、宏观经济指标和金融新闻。现有方法通常独立处理这些数据,未能有效建模...
2025-04-27 00:31:24 2838浏览 0点赞 0回复 0收藏
大型语言模型(LLMs)在推理能力上的进展引发了对其在复杂任务中表现的关注,尤其是在金融领域。DianJinR1是一个针对金融领域的推理增强框架,通过推理增强监督和强化学习,提升金融推理任务的表现。DianJinR1模型在金融测试集(CFLUE、FinQA、CCC)上显著优于基础模型,尤其在CFLUE和CCC上表现突出,DianJinR132B在CFLUE上准确率从77.95提升至86.74,CCC上从56.50提升至96.00,超越DeepSeekR1。摘要DianJinR1是一个针对金融领...
2025-04-27 00:24:37 2905浏览 0点赞 0回复 0收藏
“MTBench:AMultimodalTimeSeriesBenchmarkforTemporalReasoningandQuestionAnswering”时间序列与文本数据的结合对理解复杂现实现象至关重要,尤其在金融和天气预测领域。现有基准缺乏对时间序列数据与文本之间复杂关联的关注,未能处理文本与时间序列数据矛盾的情况。本文提出MTBench基准,旨在评估LLMs在金融和天气领域的多任务和多模态推理能力。MTBench通过将时间序列数据与相关文本信息对齐,促进跨模态互动,支持复杂推...
2025-04-15 07:11:42 2736浏览 0点赞 0回复 0收藏
社会涌现的研究是社会科学的核心,传统的基于规则的代理模型(ABMs)难以捕捉人类行为的复杂性和多样性。大型语言模型(LLMs)作为模拟工具,能够更好地反映认知偏差和情感波动,适用于社会科学和角色扮演应用。TwinMarket是一个新颖的多代理框架,利用LLMs模拟股票市场中的投资者行为,强调微观行为如何驱动宏观市场动态。TwinMarket采用信念欲望意图(BDI)框架,提供透明的代理认知过程建模,并研究信息传播和社会影响的动态...
2025-04-02 00:48:21 2532浏览 0点赞 0回复 0收藏
金融市场复杂且动态,受经济指标、地缘政治事件和投资者行为的影响,传统线性分析方法难以捕捉其非线性特征。传统统计方法(如CAPM、ARIMA)无法有效利用非结构化数据(如新闻、经济报告)进行分析和预测。本文提出FinArena框架,结合人机协作以改善股票趋势预测和个性化投资决策。人模块通过交互界面捕捉个体风险偏好,制定个性化投资策略。机器模块利用基于大型语言模型的多代理系统整合多种金融数据源。FinArena在股票趋势预...
2025-03-21 08:12:42 3628浏览 0点赞 0回复 0收藏