LLM与金融
RD-Agent
RD-Agent简介
- 项目仓库:https://github.com/microsoft/rd-agent
- 项目网址:https://rdagent.azurewebsites.net
- RD-Agent 是基于大型语言模型(LLM)的智能化工具,它将研究(Research)和 开发(Development)两大模块无缝集成,形成了一个持续反馈的自动化循环系统。通过自动化地生成假设、编写代码并回测结果,RD-Agent 能够大幅提升研发效率和创新速度。
- 在 金融量化交易 中,RD-Agent 特别擅长从海量的金融报告中提取因子,快速验证这些因子的有效性,并通过自动化回测帮助投资者制定更优策略。
- RD-Agent 的推出,标志着金融量化交易进入了一个全新的自动化时代。它不仅简化了因子生成与验证的流程,还通过持续反馈循环提升了模型的精确性和市场适应性。对于量化交易者来说,RD-Agent 提供了一个智能、高效的工具,让复杂的因子提取和回测变得更加简单
相关文章
- RD-Agent:微软革新金融量化交易的AI自动化工具
- 开源工具RD-Agent:让研究与开发过程更智能
TradExpert交易专家
TradExpert简介
- TradExpert是一个新框架,利用混合专家(MoE)方法,结合四个专门的LLM,分析不同的金融数据源(新闻、市场数据、阿尔法因子、基本面数据)
- 论文链接:https://arxiv.org/pdf/2411.00782
- 年回报率(AR)为49.79%,年波动率(AV)为9.95%,夏普比率为5.01,显示出高回报与低风险的结合
- TradExpert是一个新框架,利用大型语言模型(LLMs)提升股票交易策略,通过整合多个专门的LLM,提供全面的金融数据分析,超越传统金融模型
限制
- TradExpert的处理时间平均为4.7秒,虽然适合日常交易,但在高频交易中存在延迟问题
相关文章
- TradExpert:基于大模型的股票交易新模式,年回报率高达49.79%
- 训练大模型炒股票TradeExpert年化收益49%
StockMixer
- StockMixer是一个基于MLP的轻量级的混合架构,通过轻量级的指标、时间和股票混合块组合,避免使用不同的子网络。实验表明,StockMixer在三个指标上平均性能提升7.6%、10.8%和10.9%,优于现有基准。
- 论文地址:https://ojs.aaai.org/index.php/AAAI/article/view/28681
- 项目仓库:https://github.com/SJTU-Quant/StockMixer
- StockMixer:一个简单而强大的股票价格预测架构,性能提升超过10%
FinVision
- FinVision用于股市预测的多智能体框架
- 论文地址:https://arxiv.org/abs/2411.08899
- 由芝加哥伊利诺伊大学的 Sorouralsadat Fatemi 和 Yuheng Hu 提出的 FinVision 框架,展示了一种多模态、多智能体系统在股票市场预测中的应用,具有显著的创新性和实用性
- FinVision 框架包含四个主要模块:总结模块、技术分析模块、反思模块和最终决策模块。每个模块都承担特定的功能,协同工作以提供全面的交易建议
- 总结模块的主要任务是从输入的文本数据中生成简洁且信息丰富的摘要。
- 技术分析模块专注于从历史价格数据和技术指标(以图像形式呈现)中提取洞察。
- 反思模块由两个部分组成,分别分析过去的交易表现和信号。
- 最终決策模块负责综合前几个模块的分析结果,生成具体的交易建议。
- FinVision 的一个主要特点是集成了反思模块,对历史交易信号及其结果进行分析。这一反思过程有助于增强系统对未来交易情景的决策能力。
原文链接:https://i68.ltd/notes/posts/241204-llm-fin/