تواجه نماذج اللغة الكبيرة المالية الحالية (FinLLM) قيودًا رئيسية: نقص معايير تقييم موحدة لجودة تحليل الأسهم، وعدم كفاية عمق التحليل. لقد تجاوزنا هذه القيود من خلال ابتكارين. أولاً، تقديم AnalyScore، وهو إطار منهجي لتقييم جودة تحليل الأسهم؛ ثانيًا، بناء مجموعة بيانات Stocksis التي انتقَت بعناية من قبل خبراء، بهدف تعزيز قدرة نماذج اللغة الكبيرة (LLM) على التحليل المالي. بناءً على مجموعة بيانات Stocksis، وبالاقتران مع إطار العمل المتكامل المبتكر والأدوات الكمية، قمنا بتطوير وكيل FinSphere الذي يمكنه توليد تقارير تحليل الأسهم على مستوى احترافي. أظهرت تقييمات AnalyScore أن FinSphere يتفوق بشكل ملحوظ من حيث جودة التحليل والقدرة على التطبيق العملي مقارنة بنماذج LLM العامة، والنماذج المالية المتخصصة، وأنظمة الوكلاء الحالية، حتى مع تزويد الأخيرة بإمكانية الوصول إلى البيانات في الوقت الحقيقي وتوجيهات عينة قليلة. تؤكد النتائج البحثية على المزايا البارزة لـ FinSphere في جودة التحليل والتطبيق الواقعي.

نماذج اللغة الكبيرة (LLM);نموذج مالي كبير موجه بالأوامر;تحليل الأسهم في الوقت الحقيقي;إطار التقييم ومجموعة البيانات