Les grands modèles de langage financiers actuels (FinLLM) présentent deux principales limites : l'absence d'indicateurs standardisés pour évaluer la qualité de l'analyse des actions, et un manque de profondeur d'analyse. Nous avons franchi ces limites grâce à deux innovations. Tout d'abord, la création d'AnalyScore, un cadre systématique pour évaluer la qualité de l'analyse des actions ; ensuite, la construction d'un ensemble de données Stocksis soigneusement sélectionné par des experts, visant à améliorer les capacités d'analyse financière des grands modèles de langage (LLM). Basé sur le jeu de données Stocksis, combiné à un cadre d'intégration innovant et des outils quantitatifs, nous avons développé l'agent FinSphere, capable de générer des rapports d'analyse d'actions de niveau professionnel. Les évaluations AnalyScore montrent que FinSphere surpasse significativement les LLM généraux, les LLM financiers spécialisés et les systèmes d'agents existants en termes de qualité d'analyse et d'applicabilité pratique, même lorsque ces derniers disposent d'un accès aux données en temps réel et d'un apprentissage par petits échantillons. Les résultats mettent en évidence les avantages notables de FinSphere en qualité d'analyse et en application réelle.

Grand modèles de langage (LLM) ; grand modèle financier ajusté par instruction ; analyse d'actions en temps réel ; cadre d'évaluation et jeu de données