发布了AlphaFin数据集，结合了传统研究数据集、实时金融数据和手工编写的思维链（CoT）数据。这对训练LLMs完成金融分析产生了积极影响。 提出的AlphaFin数据集的来源和预处理
使用AlphaFin数据集来基准测试一种金融分析框架Stock-Chain，它有效处理金融分析任务，并整合了检索增强生成（RAG）技术。
Stock-Chain结合了大型语言模型（LLMs）和检索增强生成（RAG）技术，以提高股票趋势预测和金融问题回答的准确性和可解释性：
问题定义：Stock-Chain将金融分析任务分为两个阶段：股票趋势预测和金融问答。在股票趋势预测阶段，目标是预测给定公司股票的涨跌趋势；在金融问答阶段，目标是基于用户查询、对话历史和相关文档提供回答。
数据集：Stock-Chain使用AlphaFin数据集进行训练和测试，该数据集包括传统研究数据集、实时金融数据、金融新闻和手工编写的思维链（CoT）数据。
StockGPT微调：通过两步微调过程，Stock-Chain训练了一个名为StockGPT的LLM，第一步使用AlphaFin的财务报告数据集进行训练，第二步使用手工创建的CoT数据集引导模型进行逐步思考。
预测和后处理：StockGPT用于预测股票的涨跌，并提供详细的分析和解释。预测结果经过后处理，选择所有预测为“上涨”的股票作为投资组合。
金融问答：Stock-Chain还具备金融问答能力，通过RAG技术增强LLMs的问答性能。这包括构建向量数据库、知识检索和响应生成。
实验结果表明，Stock-Chain在股票趋势预测任务上实现了最先进的准确性，并且年度回报率（ARR）超过30%。此外，Stock-Chain在金融问答中也能提供全面的分析，增强了投资者的决策信心，并为他们的投资选择提供了坚实的基础。
2020年1月至2023年7月期间，金融报告数据集测试集中每个基线的累积回报率（AR）。该图表显示了一些基线的曲线。
AlphaFin-Test上的主要实验结果。年化回报率（ARR）和准确率（ACC）是核心指标，而中间指标（如AERR、ANVOL等）可以帮助投资者评估模型的有效性。由于回报率通常波动很大，为了确保性能的稳定性，对每个模型运行了10次，并获得了平均结果。
AlphaFin: Benchmarking Financial Analysis with RetrievalAugmented Stock-Chain Frameworkhttps://arxiv.org/pdf/2403.12582.pdfhttps://github.com/AlphaFin-proj/AlphaFin
