AI.x社区

​“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...

​“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...

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...

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...

“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...

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...

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...

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...

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...

“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...

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...

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...

​摘要基于大型语言模型的自主代理在量化投资等专业领域的应用面临挑战，尤其是构建和整合领域特定知识库。本文提出一个两层循环的框架：内层循环通过知识库优化响应，外层循环在真实场景中测试响应并自动增强知识库。该方法使代理能够逐步接近最优行为，并具备可证明的效率。通过名为QuantAgent的自主代理实例化该框架，展示其在挖掘交易信号和提高金融预测准确性方面的能力。简介大型语言模型（LLMs）推动了自主智能体的发展...

在金融领域，评估投资绩效的关键在于平衡风险与回报。Sharpe比率是评估风险与回报的重要指标，但存在局限性，需开发更稳健的金融绩效指标。本文提出AlphaSharpe框架，利用大语言模型（LLMs）优化金融指标，提升风险收益评估。通过对美国15年历史股票数据进行实验，AlphaSharpe投资组合在风险调整和回撤调整表现上优于传统策略，Sharpe比率提高71.04%，Calmar比率提高116.31%。论文地址：https:arxiv.orgpdf2502.00029v2摘要本文...

金融行业与AI社区之间存在数据和专业知识的障碍，影响AI在金融任务中的应用。FinRobot是一个开源AI代理平台，利用多源LLM进行多样化金融任务，提升透明度和可扩展性。论文地址：https:arxiv.orgpdf2405.14767Github地址：https:github.comAI4FinanceFoundationFinRobot摘要金融行业与AI社区之间存在数据和专业知识的障碍，影响AI在金融任务中的应用。本文旨在开发金融专用的LLM工具链，推动AI在金融决策中的普及。FinRobot是一...

投资组合优化是金融中的核心挑战，涉及资金在多个资产间的动态配置，传统方法存在假设限制和适应性不足的问题。本研究探讨深度强化学习在投资组合优化中的应用。结果表明，深度强化学习（DRL）模型在投资组合优化中表现优异，年化平均回报率为19.56%，夏普比率为1.5550，显示出卓越的风险调整回报。论文地址：https:arxiv.orgpdf2412.18563摘要人工智能正在改变金融投资决策，深度强化学习（DRL）在机器人顾问服务中展现出应用...

​简介本文开发强化学习代理以支持投资组合管理和优化，结合股票定价数据和替代数据（如SEC文件和新闻头条）。强化学习适合在线环境，能够实时反馈和响应，提升决策效果。替代数据编码进状态矩阵，帮助代理更好地调整投资组合权重。强化学习模型基于马尔可夫决策过程，能够灵活定义不同的奖励函数以满足投资者偏好。主要算法为深度强化学习，利用深度神经网络学习最优策略，目标是最大化未来预期奖励。强调在状态空间、奖励函数...