AI.x社区

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...

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...

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...

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...

《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，...

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...

​“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...