加载中...
本文提出FinGPT——一个面向金融领域的开源大模型框架,强调数据中台、实时数据清洗与低成本轻量化微调(LoRA/QLoRA)及以股价变化为反馈的RLSP微调,以实现高时效性与市场对齐的金融文本理解与情感预测;在 2016–2024 年构建的 62 万条新闻数据集上,FinGPT 在情感分类任务上显著优于多项基线,且LoRA+RLSP组合进一步提升市场一致性与泛化能力 .
| 项目 | 说明 |
|---|---|
| 数据来源 | 新闻(Reuters/CNBC/Yahoo Finance 等)、社媒(Twitter/Weibo/Reddit)、监管文件(SEC/交易所)、趋势/论坛、学术数据集等 |
| 数据量 | >620,000 条清洗后新闻标题,时间范围 2016–2024,用市场短期价格变动自动打标签(self-labeled) |
| 关键流程 | 实时采集 → 清洗 → Tokenization → Embedding(实体/时间感知)→ 向量库索引(用于RAG & RLSP) |
| Model | Acc. | Macro-F1 | Pos-F1 | Neg-F1 | Neu-F1 |
|---|---|---|---|---|---|
| ChatGPT (0-shot) | 63.4 | 61.7 | 64.0 | 59.1 | 62.0 |
| Llama3.1-8B (0-shot) | 57.9 | 54.4 | 56.1 | 53.2 | 54.0 |
| FinBERT | 71.2 | 69.9 | 73.0 | 69.1 | 67.5 |
| FinGPT (LoRA-SFT) | 78.8 | 77.3 | 79.6 | 76.8 | 75.4 |
| FinGPT (SFT+RLSP) | 82.1 | 80.9 | 83.4 | 81.5 | 77.8 |
元数据与概览(引言与报告概览)
逐节深度解读
图表(Figure 1)深度解读
图表深度解读:Table 1 与 Table 2(实验结果与消融)
风险因素评估(报告中识别与隐含风险)
批判性视角与细微差别(审慎评估)
结论性综合(总结要点与建议)
参考性补充(若需进一步溯源)
2306.06031.pdf