Aktuelle große finanzielle Sprachmodelle (FinLLM) weisen zwei große Einschränkungen auf: das Fehlen standardisierter Bewertungsmetriken für die Qualität der Aktienanalyse und eine unzureichende Analytentiefe. Wir haben diese Einschränkungen durch zwei Innovationen überwunden. Erstens die Einführung von AnalyScore, einem systematischen Rahmen zur Bewertung der Qualität von Aktienanalysen; zweitens den Aufbau eines von Experten sorgfältig ausgewählten Datensatzes Stocksis, der darauf abzielt, die Finanzanalysefähigkeiten großer Sprachmodelle (LLM) zu verbessern. Basierend auf dem Stocksis-Datensatz und in Kombination mit einem innovativen Integrationsrahmen und quantitativen Werkzeugen haben wir den FinSphere-Agenten entwickelt, der professionelle Aktienanalyseberichte erstellen kann. Die AnalyScore-Bewertung zeigt, dass FinSphere hinsichtlich Analysequalität und praktischer Anwendbarkeit deutlich besser ist als allgemeine LLM, spezialisierte finanzielle LLM und bestehende Agentensysteme, selbst wenn letztere mit Echtzeit-Datenzugriff und Few-Shot-Anleitung ausgestattet sind. Die Forschungsergebnisse heben die bemerkenswerten Vorteile von FinSphere in Analysequalität und praktischer Anwendung hervor.

Große Sprachmodelle (LLM); instruktionsfeingetunte finanzielle große Modelle; Echtzeitanalyse von Aktien; Bewertungsrahmen und Datensatz