Le modèle de langage financier actuel (FinLLM) présente deux principales limites : l'absence d'indicateurs standardisés pour évaluer la qualité de l'analyse des actions, ainsi qu'un manque de profondeur d'analyse. Nous avons franchi ces limites grâce à deux innovations. Tout d'abord, nous avons lancé AnalyScore, un cadre systématique pour évaluer la qualité de l'analyse des actions ; ensuite, nous avons construit un ensemble de données soigneusement sélectionné par des experts nommé Stocksis, visant à améliorer les capacités d'analyse financière des grands modèles de langage (LLM). Basé sur l'ensemble de données Stocksis, combiné à un cadre d'intégration innovant et à des outils quantitatifs, nous avons développé l'agent FinSphere, capable de générer des rapports d'analyse d'actions de niveau professionnel. L'évaluation AnalyScore montre que FinSphere surpasse nettement les LLM généralistes, les LLM financiers spécialisés et les systèmes intelligents existants, tant en qualité d'analyse qu'en capacité d'application pratique, même lorsque ces derniers disposent d'un accès en temps réel aux données et d'un guidage par peu d'exemples. Les résultats soulignent l'avantage significatif de FinSphere en analyse de qualité et en application réelle.

Grand modèle de langage (LLM); modèle financier finement ajusté aux instructions; analyse d'actions en temps réel; cadre d'évaluation et ensemble de données