Das aktuelle große finanzielle Sprachmodell (FinLLM) weist zwei wesentliche Einschränkungen auf: das Fehlen standardisierter Bewertungsindikatoren für die Qualität der Aktienanalyse und mangelnde Tiefgründigkeit der Analyse. Wir haben diese Einschränkungen durch zwei Innovationen überwunden. Zuerst haben wir AnalyScore vorgestellt, einen systematischen Rahmen zur Bewertung der Qualität der Aktienanalyse; zweitens haben wir einen von Experten sorgfältig ausgewählten Datensatz namens Stocksis erstellt, der die finanzielle Analysefähigkeit großer Sprachmodelle (LLM) verbessern soll. Basierend auf dem Stocksis-Datensatz und in Kombination mit einem innovativen Integrationsrahmen und quantitativen Werkzeugen haben wir den Agenten FinSphere entwickelt, der professionelle Aktienanalyseberichte generieren kann. Die Bewertung mit AnalyScore zeigt, dass FinSphere in Analysequalität und praktischer Anwendbarkeit deutlich besser abschneidet als allgemeine LLMs, speziell finanzielle LLMs und bestehende intelligente Systeme, selbst wenn letztere mit Echtzeit-Datenzugriff und Few-Shot-Anleitung ausgestattet sind. Die Forschungsergebnisse unterstreichen die signifikanten Vorteile von FinSphere in Analysequalität und praktischer Anwendung.

Großes Sprachmodell (LLM); instruktionsfeinabgestimmtes Finanzmodell; Echtzeit-Aktienanalyse; Bewertungsrahmen und Datensatz