真的是搞钱的！12.6K星星的开源金融大模型FinGPT

FinGPT采用数据中心的方法，为研究人员和从业者提供开发金融大语言模型（LLM）的资源。这对金融界来说无疑是令人振奋的，如果你从事金融报表的解读、数据分析、股票或者量化交易等工作，这款模型将成为你的得力助手。（访问链接在文章底部）

在金融领域应用语言模型面临许多复杂障碍。这些障碍包括获取数据的困难、多样化数据格式和类型的处理、数据质量不一致性，以及对最新信息的需求。由于数据来源多样，如Web平台、API、PDF文档和图像，历史或专业金融数据的提取更加复杂。

金融领域专有模型如BloombergGPT通过独占访问专业数据来训练金融领域的语言模型，但其数据收集和训练协议的封闭性和透明性不足，急需开放和包容性的替代方案。FinGPT强调数据获取、清理和预处理，旨在通过促进数据可访问性推动金融领域的研究、协作和创新。

FinGPT-Forecaster 应用，输入以下内容：

1. 股票代码（例如 AAPL、MSFT、NVDA）
2. 您希望预测发生的日期 (yyyy-mm-dd)
3. 过去几周检索市场新闻的次数
4. 是否添加最新的基本财务信息作为附加信息

点击提交！您将收到对该公司的全面分析以及对下周股价走势的预测！

整体架构

整个项目由4个部分组成：

• 第一部分是数据源，在这里，我们从互联网上收集历史和流媒体数据。
• 接下来，我们将数据推送到数据工程部分，在这里我们会对数据进行清洗，标记化处理和提示工程。
• 然后，数据被推送到大语言模型（LLMs）。在这里，我们可以以不同的方式使用LLMs。我们不仅可以使用收集到的数据来训练我们自己的轻量级微调模型，还可以使用这些数据和训练好的模型或LLM API来支持我们的应用程序。
• 最后一部分将是应用程序部分，我们可以使用数据和LLMs来制作许多有趣的应用程序。

数据层

FinGPT通过使用API、网络抓取工具和数据库访问，从金融新闻、社交媒体、报告文件、趋势数据和学术数据集中获取多样化数据，以确保合法和合规的实时更新和数据处理。

例如新闻数据来源：

模型

• 在数据中心的自然语言处理领域，我们不需要从头开始训练模型。我们只需要调用API和进行轻量级的微调。
• 左边是一些可能会用到的LLM APIs，中间是我们可能用来进行微调的模型，右边是一些微调方法。每次微调不到 300 美元。

应用

智能投顾：

• ChatGPT可以像专业人士一样进行投资建议。
• 在这个例子中，苹果的股价上涨与ChatGPT分析新闻的预测相符。

量化交易：

通过结合新闻、社交媒体推文和公司公告的情感因子，尤其是Twitter推文和ChatGPT信号，我们可以显著提升交易结果，甚至单靠Twitter情感因子交易也能取得良好收益；结合价格因素将进一步优化结果。

包括但不限于：

Github：https://github.com/AI4Finance-Foundation/FinGPT

官网：https://ai4finance-foundation.github.io/FinNLP/zh/