AI助手资讯

我们来继续关注大模型相关的技术进展，来看看两个有趣的工作，一个是关于大模型用于股票金融分析，其中用到了RAG。另一个是大模型用于图表理解，最近在做相关的工作，所以也一并整理出来，供大家一起参考并思考。 一、大模型+RAG用于股票金融分析框架Stock-chain‍‍‍‍‍‍ 我们来看看一个RAG来做金融分析任务。金融分析任务主要包括两个关键领域，股票走势预测和相应的金融问题解答。目前，机器学习和深度学习算法（ML&DL）已被广泛应用于股票走势预测，并取得了显著进展，但这些方法无法提供预测理由，缺乏可解释性和推理过程，也无法整合金融新闻或报告等文本信息。 而当下大型模型（LLM）具有出色的文本理解和生成能力受到广泛关注，但由于金融训练数据集的稀缺以及与实时知识的整合有限，仍然存在幻觉，无法跟上最新的信息。 例如上图所示，以金融分析任务为例，包括股票走势预测和金融问答。传统的ML&DL方法只能提供不确定的预测（涨/跌），没有任何依据，而原始的LLM可以提供预测分析，但没有任何帮助。 最近的工作 《AlphaFin: Benchmarking Financial Analysis with RetrievalAugmented Stock-Chain Framework》(https://arxiv.org/pdf/2403.12582.pdf,https://github.com/AlphaFin-proj/AlphaFin) ，该工作做了2件事： 一个是发布了用于微调 FinLLM的AlphaFin，其中包含传统研究数据集、实时财务数据和手写CoT数据。 另一个是提出了与RAG集成的Stock-Chain框架，该框架可以为投资者提供股票走势预测，并通过RAG整合实时市场数据和宏观经济新闻，从而完成股票分析，在具体实现上，其基于AlphaFin数据集对StockGPT进行微调，并将其集成到Stock-Chain框架中，并通过RAG进一步与实时金融数据库集成，以解决LLM输出的幻觉以及LLM无法生成实时内容的问题。 1、先看数据部分 如下图所示，数据集包括Research研究数据集、StockQA数据集、金融新闻数据集以及财务报告数据集四个部分： 其中： Research研究数据集：这部分包括来自学术界的传统金融数据集，包括FPB、FinQA、convFinQA以及Headline，以增强大模型的信息提取和总结能力。在这部分数据上，传统的研究数据集主要是英文的，而且数量很大。为了提升LLM们的中文能力，保证质量进行微调，只从源头抽取了一部分。 StockQA数据集：这部分包含来自Tushare和AKshare的股价和其他财务数据，使用顺序数据格式，例如股票价格趋势（例如{…,170,173,171,175,173,170,…}）。但鉴于源数据以顺序格式呈现，使用ChatGPT并按以下提示生成财务问题，以增强多样性，随后，我们使用ChatGPT生成回复并获取用于训练LLM的问答对，对应的prompt如下： Based on the …, give me a good financial question. Input: , Output: . 金融新闻数据集：为了向大模型提供真实世界的金融知识，整合了在线新闻来源，例如中央电视台和华尔街CN的金融版块，在数据处理上，使用Chat-GPT提取每条新闻的摘要，并构建财经新闻数据集，从而提升摘要能力。 财务报告数据集：通过DataYes构建财务报告数据集（DataYes，2021），包括机构对公司进行的专业分析和知识。在数据处理上，手动对齐公司的财务报告及其报告发布当天的股价，并使用以下模板生成最终数据，并还手动创建200份具有专业财务知识和较长标签的财务报告CoT数据，对应的prompt如下：  According to …  conclusions can be drawn:   1.  Fundamentals:  … 2.  Technical aspects:  …    Therefore, we predict the …  is    , probability:   2、再看架构部分Stock-Chain Framework 财务分析任务可以被视为两个对应部分，即股票趋势预测和相应的财务问答，因此Stock-Chain框架分为两个阶段，一个Stock Trend Prediction，另一个是Retrieval-Augmented Q&A，如下图所示： 第一阶段是股票走势预测，给定一家公司ci和相应的文档dj，该阶段通过结合LLM和AlphaFin数据集维护一个股票预测系统φ，给出股票趋势预测Predi。 其中： 对于第一阶段Stock Trend Prediction，任务很有趣，其给定一组公司C和相应的知识文档D，以预测涨跌： 其目标是从中找出一组能涨的公司子集C chosen: 这一步涉及到知识文档D的处理，在实现上，其给定一个公司ci，首先检索它的相关文档dj。然后，设计一个提示模板Prompt进行组装，例如： Please predict the...

网商银行高级工程师方珂认为，金融行业对安全、风险要求极为严苛，大模型应用仍然有很多问题需要解决。尤其是大模型会出现“幻觉”，如果错判了客户的经营情况，带来的将是真金白银的损失。作者：胡群 封图：图虫创意 2024年会成为大模型深度应用于金融领域的元年吗？解答这个问题，或许可以从上市银行2023年年报里一探究竟。 年报显示，多家大中型上市银行继续加码科技投入，特别是加快大模型技术研发和实际业务应用的步伐。 IDC中国副总裁兼首席分析师武连峰分析，从规划到实际落地应用，金融行业的大模型项目可能会经历一个相对漫长且审慎的周期，包括前期的计算能力准备、概念验证测试及必要的算力资源购置等多个阶段。 竞逐金融大模型 年报显示，工商银行在2023年度建立了行业内首个全面自主研发且具有千亿参数级别的AI大模型技术体系，并在多元金融业务场景中实现了创新性应用。 工商银行董事长廖林在该行2023年度业绩发布会上表示，工商银行在深化“数字工行”（D-ICBC）战略过程中，充分利用人工智能及大模型等前沿技术手段，有效促进了工商银行数字化生产能力和效率的提升。 建设银行年报显示，该行加强“三大中台”基础架构建设，并启动“方舟计划”，推动金融大模型的建设和实际应用，建立常态化的数字化经营管理模式。 农业银行在年报中透露，该行通过成立人工智能创新实验室加快推进大模型技术的研究和培育工作。 中国银行则在年报中展示了其在智慧安全防护、网点运营等方面的计算机视觉技术应用，并开始试验大模型技术在内部知识服务、自动化编程辅助等场景的可行性。 邮储银行年报显示，紧随大模型在金融领域的应用潮流，该行正在研发测试、运营管理、客户市场营销、智能风险控制等多个层面积极开展大模型技术的探索与实践。 部分上市银行大模型研发、应用进展情况 来源：上市银行年报 年报显示，大中型银行正在不断加大科技投入。六家国有大型商业银行的信息科技总投入已连续三年超过千亿元，其中2021年为1074.93亿元；2022年为1165.49亿元；2023年为1228.22亿元，较2022年增长5.38%。 具体来看，工商银行、建设银行、农业银行、中国银行、交通银行、邮储银行在2023年的科技投入分别为272.46亿元、250.24亿元、248.50亿元、223.97亿元、120.27亿元和112.78亿元，同比分别增长3.90%、7.45%、7.06%、3.97%、3.41%和5.88%。 在全国性股份制银行中，招商银行和中信银行在2023年的科技投入超过了交通银行和邮储银行。其中，中信银行的2023年信息科技投入为121.53亿元，同比增长38.90%，占营业收入的5.90%。 招商银行、平安银行和光大银行在2023年的科技投入比上年有所下降。其中，平安银行的科技投入已经自2021年以来连续三年出现下降。年报显示，该行2021年IT 资本性支出及费用投入为73.83亿元，2022年IT资本性支出及费用投入为69.29亿元，2023年IT资本性支出及费用投入为63.43亿元。 数据来源：上市银行年报 萨摩耶云科技集团创始人、董事长兼首席执行官林建明告诉经济观察网，大模型的出现为银行数字化转型注入了强大且更为直接的新动能，但目前金融大模型的应用能力仍处于初级阶段。 该集团是国内独立云服务科技解决方案提供商。林建明称，从银行2023年年报披露的信息来看，近年来大多数银行都在加大科技投入，其中金融大模型成为科技投入的重点之一。对于大多数金融机构而言，自建大模型并不现实，调用通用大模型叠加金融专业领域的数据，可以使模型更加符合金融行业的特点和要求，提高模型在金融领域的适应性和准确性。 离广泛应用还有多远 当前金融大模型主要应用于一系列内部业务环节，如知识检索与智能答疑、编程辅助、客户服务热线智能化、自动化文档编写、复杂数据分析、精准营销材料自动生成等试点项目。 网商银行高级工程师方珂认为，金融行业对安全、风险要求极为严苛，大模型应用仍然有很多问题需要解决。尤其是大模型会出现“幻觉”，如果错判了客户的经营情况，带来的将是真金白银的损失。因此，在网商银行大雁系统实际应用中，大模型绘制的产业链图谱会向风控系统提供客户识别、经营评分和画像，但最终小微经营者获得的贷款额度，仍然是风控系统多维度交叉验证的结果。 微众银行数字金融发展部负责人姚辉亚告诉经济观察网，从技术和应用层面来看，生成式AI优势在于创造力，但副产品是不可避免地带来幻觉现象，而金融行业的大多数场景往往需要追求准确性和可解释性，比如要求能对风险进行精准定价与管理，向客户推荐适当的产品，并明确揭示风险。基于两者特性的交集，适配的应用场景是让大模型和生成式AI成为员工的助理，在赋能员工提高效率和创造力的同时做好兜底判断，而非直接让大模型直面客户提供服务。 姚辉亚认为，当前国内金融机构在大模型领域的核心竞争力集中在应用层，通常是基于内部的专有数据，选择合适的基础大模型基座进行精调，形成垂直行业场景的大模型应用。由于基础大模型的技术迭代较快、不同场景适用不同路线的基础大模型、硬件的国产化兼容性不足等挑战，目前较缺乏能支持一站式工作、模型可插拔的工程化平台。微众银行正在集中力量，打造全行统一的AI工程化平台，构建AI原生科技能力，期望实现模型可插拔、成效可度量、模型生命周期可管理、运算资源可调配、编程可视化（低代码）等特性，赋能内部各业务团队在应用层百花齐放，提升自动化与智能化水平。 林建明判断，如果将大模型的能力放在金融行业中去处理原有的任务，会对很多工作产生颠覆性的影响。相比现有的AI技术，大模型技术有望在金融风险管理、量化交易、个性化投资建议、金融欺诈检测和预防和智能客户服务等场景具有广泛的应用潜力和影响力。尽管大模型技术在许多领域展现出巨大的潜力，但在金融领域的应用仍处于起步探索阶段。 林建明认为，金融行业是数据密集型行业，涉及海量的金融数据和复杂的金融业务。金融数据包含敏感的个人和机构信息，而大模型需要大量的数据进行训练和应用。因此，确保数据隐私和安全成为一个重要的挑战。另外，金融行业是一个对于模型的可解释性和鲁棒性（系统或算法在面对不同的环境和条件时，仍能保持稳定和可靠的能力）等要求非常高的行业，而大语言模型当下输出结果的可解释性目前是相对封闭、不透明的，同时，其稳定性也仍然受到数据、算法、训练等方面的干扰，表现出非鲁棒性的特征。 武连峰说，尽管金融行业在大模型领域的投资强度显著增加，但由于金融业对合规性和风险管理的极高要求，在部署这类先进技术时必须确保与所有现行监管政策相符。 深交所喊话上市公司：胆敢不回，强制退市！国企“应战”新公司法：三个月内要改掉多年“老毛病”小户型不好卖了

作者｜王良编辑 | 薛梁 由于行业特殊性，金融机构在业务创新和技术应用过程中受到政策监管、数据隐私保护等诸多外部因素的限制。进入 AI 时代，如何在约束条件下，加速大模型等技术在 ToC 业务场景的落地和应用，并且在技术上不做牺牲处理是一个极具挑战的工作。在 2024 年 6 月 14-15 日深圳 ArchSummit 全球架构师峰会上，我们邀请到了平安壹钱包用户研发部技术负责人王良老师进行分享，他将基于平安集团旗下互联网金融支付公司壹钱包已落地的业务场景，介绍 RAG 向量检索 + 知识库 + 标注平台等技术的实战经验，以及应用立项审批、合规监管审批、业务线选择等技术之外的经验。 在会议召开前，我们对王老师进行了预热采访，探讨其团队在大模型应用方面的探索与落地情况，希望让大家能够提前了解其大会演讲内容亮点。 InfoQ：作为平安壹钱包技术负责人，您在不同领域的技术工作经历非常丰富，从客户端开发到大前端再到后台研发及架构管理，最近又转入大数据研发部门，您觉得这些不同领域的经历如何影响了您的技术视角和解决问题的能力？ 王良：我是从 Android 开发入行的，工作投入时间比较长，深入了解了用户界面的 UI 还原和交互逻辑，学会了如何优化用户体验和响应速度，让我对底层的技术原理有了更深入的理解，比如内存管理、性能优化等。这段经历让我更加注重从用户的角度出发，思考技术的实际应用和价值，为我在后续领域的工作打下了坚实的基础。 随着公司的发展，团队从最初的 Android 组，融合了 iOS 开发变成 App 客户端团队，再到后来，又融合了前端 JS、React Native 团队，再后来又补充了小程序、快应用、鸿蒙等技术栈，升级为大前端团队，在这个壮大的过程中，我开始关注跨平台、跨浏览器的兼容性问题，以及如何构建高效、可维护的前端架构。 大前端的工作让我学会了如何在复杂的技术环境中保持代码的健壮性和可扩展性。也开始接触到前后端的数据交互和协作，对前后端分离的开发模式有了更深入的认识。在后台研发阶段，我深入了解了服务器的架构、数据库的设计和优化、高并发处理等关键技术。这段经历让我更加关注系统的稳定性和安全性，学会了如何在复杂的业务场景中保证数据的准确性和一致性。 程序员是一个需要持续学习的工作，拥有不同领域的技术工作经历是非常宝贵的，每一个领域都有其独特的挑战和解决方案，它能够帮助程序员获得更全面的技术视角和解决问题的能力，更具备跨领域思考和解决问题的能力，随着技术栈和工作经验的提升，解决问题的能力从前期局限于用技术方案完成业务方的诉求，到参与产品规划的初期阶段，在需求规划阶段，就可以给出指导性的技术意见，帮助业务方在快速上线、节省人力成本上，提供专业的技术支持。因为除了技术实现上的方案，同时还要考虑业务因素和成本因素，同一个需求，用什么技术栈解决最合适，比如监管比较严格的业务变动频繁，更适合 RN、H5 这类方便更新的技术栈。一些稳定业务注重体验的可以投入 Android 和 iOS...

2024年3月，中国信息通信研究院金融科技团队发起“基于业务场景的金融业大模型应用研究计划”（Financial LM Application Research Initiatives based on Scenarios，以下简称“FAIS”），旨在推动大模型与金融业务深度融合，助力金融业新质生产力培育。目前，FAIS研究计划已面向金融行业大模型相关领域征集多家参与单位，下一步将持续开展应用场景研究，助力大模型技术与金融业的丰富业务场景深度融合。 为了更好地推进FAIS研究计划的相关工作，中国信通院云计算与大数据研究所金融科技团队拟于2024年5月10日（周五）举办“基于业务场景的金融业大模型应用研究计划”首次工作会议，本次会议将正式启动金融业大模型应用研究多项工作，同时邀请银行、证券、保险行业头部机构代表以及金融行业大模型服务商深入探讨大模型在金融业务场景的落地路径以及关键问题。 会议信息 一、会议时间：2024年5月10日 14：00—17：00 二、会议地点：北京市海淀区花园北路52号 中国信息通信研究院 诚邀各位相关单位代表参会，报名方式如下： 请扫描以上二维码进行会议报名 会议联系人叶老师18600828501yemin@caict.ac.cn师老师17310663985shiqi@caict.ac.cn ——— 往 期 推 荐 ——— ▶中国信通院发布《中国金融科技生态白皮书（2023年）》 ▶原创文章 | 浅谈IFRS17准则对保险公司的影响 ▶原创文章 | 金融业5G消息迎来新发展机遇 ▶原创文章 | 跨境业务场景下数据安全问题研究 ▶行业观点 | 浅析产业链数据和企业数据在解决企业融资的作用 阅读原