FinGPT

FinGPT：开源金融大语言模型

什么是 FinGPT？ FinGPT 是一个开源金融大语言模型 (LLM)，旨在 democratize 对金融数据和分析的访问。与 BloombergGPT 等专有模型不同，FinGPT 优先考虑可访问性和适应性，允许用户使用新数据微调模型，以及时获得市场洞察。

主要特性：

• 开源： 提供专有金融 LLM 的可访问替代方案。
• 适应性强： 能够快速进行微调以整合新数据，每次微调成本低于 300 美元。
• RLHF（从人类反馈中进行强化学习）： 采用 RLHF 来学习个人偏好，类似于 ChatGPT 和 GPT-4。

FinGPT-Forecaster

FinGPT 提供金融情绪分析工具。该工具允许用户获得对公司全面的分析，以及对下周股价走势的预测。

要使用 FinGPT-Forecaster，用户必须提供：

• 股票代码（例如 AAPL、MSFT、NVDA）
• 希望预测发生的日期（yyyy-mm-dd）
• 检索市场新闻的过去周数
• 是否将最新的基本财务数据作为附加信息添加

用于金融情绪分析的 FinGPT V3

FinGPT V3 系列是 LLM，使用 LoRA 方法在新闻和推文情绪分析数据集上进行微调，以低成本在大多数金融情绪分析数据集上实现了最佳分数。

FinGPT v3.3 使用 llama2-13b 作为基础模型；FinGPT v3.2 使用 llama2-7b 作为基础模型；FinGPT v3.1 使用 chatglm2-6B 作为基础模型。

FinGPT 如何工作？

FinGPT 在一个具有五个层的全栈框架上运行：

1. 数据源层： 通过实时信息捕获确保全面的市场覆盖。
2. 数据工程层： 处理实时 NLP 数据，解决时间敏感性和低信噪比的挑战。
3. LLMs 层： 采用 LoRA 等微调方法来适应金融数据的动态特性。
4. 任务层： 执行基本任务，作为性能评估的基准。
5. 应用层： 展示 FinGPT 在金融领域的实际应用和演示。

FinGPT 中使用的开源基础模型：

• Llama-2
• Falcon
• MPT
• Bloom
• ChatGLM2
• Qwen
• InternLM

FinGPT 适合哪些人？

FinGPT 专为以下人员设计：

• 金融分析师和研究人员： 寻求用于情绪分析、金融预测和风险分析的工具。
• 开发人员： 构建 AI 驱动的金融应用程序和智能投顾。
• 机构： 旨在利用开源 LLM 进行金融数据分析和市场监控。

为什么选择 FinGPT？

• 金融数据民主化： 提供封闭源金融 LLM 的可访问替代方案。
• 适应性和速度： 能够使用新数据进行快速微调，以及时获得市场洞察。
• 社区驱动： 受益于开源社区的贡献和改进。

FinGPT 生态系统

• FinGPT-RAG： 通过优化外部知识检索的信息深度和上下文来增强金融情绪分析。
• FinGPT-FinNLP： 为所有对金融领域的 LLM 和 NLP 感兴趣的人提供一个乐园。
• FinGPT-Benchmark： 引入了一种新颖的指令调整范例，该范例针对金融领域的开源 Large Language Models (LLM) 进行了优化

教程：

• [Training] Beginner’s Guide to FinGPT: Training with LoRA and ChatGLM2–6B One Notebook, $10 GPU
• Understanding FinGPT: An Educational Blog Series
• FinGPT: Powering the Future of Finance with 20 Cutting-Edge Applications
• FinGPT I: Why We Built the First Open-Source Large Language Model for Finance
• FinGPT II: Cracking the Financial Sentiment Analysis Task Using Instruction Tuning of General-Purpose Large Language Models