金融AI

开源金融AI平台，帮你自动写研报、做分析

2024 年 6 月 20 日

要说技术在什么领域发展最快，那肯定就是有钱的领域，金融科技Fintech一直都是前沿科技的代表。

今天我们来分享一个GitHub上的开源项目，它利用大型语言模型（LLMs）来支持金融应用，股票预测、财务分析、研报撰写以后都可以由AI来搞定了，它就是：FinRobot。

FinRobot 是什么

FinRobot是一个超越 FinGPT 范畴的 AI Agent 平台，它由AI4Finance基金会开发，是专为金融应用精心打造的综合解决方案。它集成了多种 AI 技术，超越了单纯的语言模型。这种广阔的视野凸显了平台的多功能性和适应性，满足了金融行业的多方面需求。

FinRobot是一个强大的平台，通过使用大型语言模型（LLMs）作为其核心技术，为解决复杂的金融问题提供了智能代理的支持。其架构包括金融AI代理层、金融LLMs算法层、LLMOps和DataOps层，以及多源LLM基础模型层，可以提供多元化的金融分析和操作，例如市场预测、文件分析和交易策略。FinRobot还配备了智能调度器，可以优化模型的融合和选择。

FinRobot 系统架构

FinRobot 的整体结构是由四个有趣的层组成的，每个层都在解决金融 AI 处理和应用的一些特定的问题哦：

金融 AI 代理层：这一层现在包括金融思维链 (CoT) 提示，可以帮助我们增强复杂的分析和决策能力。例如，市场预测代理、文档分析代理和交易策略代理，它们利用 CoT 将金融挑战分解为逻辑步骤，将自己的高级算法和专业知识与金融市场不断变化的动态相结合，从而获得精确和实用的见解。
金融 LLM 算法层：这一层配置并使用了针对特定领域和全球市场分析的专门调整模型，非常专业。
LLMOps 和 DataOps 层：在 LLMOps 层，我们实施了多源集成策略，利用一系列最先进的模型，为特定的财务任务选择最合适的 LLM，这样我们就可以得到最好的结果了。
多 LLM 模型层：这个基础层支持各种通用和专门 LLM 的即插即用功能，非常方便！。

金融AI代理层工作流程

感知：该模块捕获并解释来自市场信息、新闻和经济指标的多模式金融数据，使用复杂的技术构建数据以进行彻底的分析。
大脑：作为核心处理单元，该模块使用 LLM 感知来自感知模块的数据，并利用财务思路链 (CoT) 流程生成结构化指令。
行动：该模块执行来自大脑模块的指令，应用工具将分析见解转化为可操作的结果。行动包括交易、投资组合调整、生成报告或发送警报，从而积极影响金融环境。

金融LLM算法层（Financial LLMs Algorithms Layer）

这一层包含了针对金融行业特定需求设计的先进AI算法，以增强平台在一系列金融应用中的性能：

金融大型语言模型（FinGPT）：这是一个专为金融领域设计的大型语言模型，通过监督式微调，利用金融领域的指令响应数据对开源大型语言模型进行优化。
金融强化学习（FinRL）：这个模型使用集成深度强化学习算法来优化交易策略，同时分析历史和实时市场数据。
金融机器学习（FinML）：这个模型利用多种机器学习技术来提高金融预测分析的能力。
金融多模态LLM：这个模型处理并综合来自多种模态（如文本、图表和表格）的信息，以提供全面深入的金融文档理解。

智能调度器

智能调度器对于确保模型多样性以及优化每个任务最合适的 LLM 的集成和选择至关重要。

主管代理：该组件协调任务分配过程，确保根据代理的绩效指标和特定任务的适用性将任务分配给代理。
代理注册：管理注册并跟踪系统内代理的可用性，促进高效的任务分配流程。
代理适配器：根据特定任务定制代理功能，增强其性能和在整个系统中的集成。
任务管理器：管理和存储针对各种财务任务定制的不同通用和微调的基于 LLM 的代理，并定期更新以确保相关性和有效性。

数据操作层（DataOps Layer）

数据操作层管理金融分析所需的广泛和多样化的数据集，确保输入AI处理管道的所有数据都是高质量和代表当前市场状况的：

检索增强生成（RAG）：结合了上下文检索机制和LLMs的优势，优化语言生成任务。

安装FinRobot

项目的文件结构如下，主文件夹finrobot有三个子文件夹agent、data_source、 functional。

1.（推荐）创建一个新的虚拟环境

conda create --name finrobot python=3.10conda activate finrobot

使用终端下载 FinRobot repo 或手动下载

git clone <https://github.com/AI4Finance-Foundation/FinRobot.git>cd FinRobot

从源代码或 pypi 安装 finrobot 及其依赖项

从 pypi 获取我们的最新版本

pip install -U finrobot

4.修改OAI_CONFIG_LIST_sample文件

1) rename OAI_CONFIG_LIST_sample to OAI_CONFIG_LIST2) remove the four lines of comment within the OAI_CONFIG_LIST file3) add your own openai api-key <your OpenAI API key here>

5.修改config_api_keys_sample文件

1) rename config_api_keys_sample to config_api_keys2) remove the comment within the config_api_keys file3) add your own finnhub-api "YOUR_FINNHUB_API_KEY"4) add your own financialmodelingprep and sec-api keys "YOUR_FMP_API_KEY" and "YOUR_SEC_API_KEY" (for financial report generation)

6.开始浏览以下教程或演示：

# find these notebooks in tutorials1) agent_annual_report.ipynb2) agent_fingpt_forecaster.ipynb3) agent_trade_strategist.ipynb4) lmm_agent_mplfinance.ipynb5) lmm_agent_opt_smacross.ipynb

示例：撰写金融分析报告

以公司的 10-k 表格、财务数据和市场数据作为输入，输出股票研究报告

数据输入

import osimport autogenfrom textwrap import dedentfrom finrobot.utils import register_keys_from_jsonfrom finrobot.agents.workflow import SingleAssistantShadow

配置

llm_config = {"config_list": autogen.config_list_from_json("../OAI_CONFIG_LIST",filter_dict={"model": ["gpt-4-0125-preview"],},),"timeout": 120,"temperature": 0.5,}register_keys_from_json("../config_api_keys")
# Intermediate strategy modules will be saved in this directorywork_dir = "../report"os.makedirs(work_dir, exist_ok=True)
assistant = SingleAssistantShadow("Expert_Investor",llm_config,max_consecutive_auto_reply=None,human_input_mode="TERMINATE",)

运行

company = "Microsoft"fyear = "2023"
message = dedent(f"""With the tools you've been provided, write an annual report based on {company}'s {fyear} 10-k report, format it into a pdf.Pay attention to the followings:- Explicitly explain your working plan before you kick off.- Use tools one by one for clarity, especially when asking for instructions.- All your file operations should be done in "{work_dir}".- Display any image in the chat once generated.- All the paragraphs should combine between 400 and 450 words, don't generate the pdf until this is explicitly fulfilled.""")
assistant.chat(message, use_cache=True, max_turns=50, summary_method="last_msg")