Современные крупные финансовые языковые модели (FinLLM) сталкиваются с двумя основными ограничениями: отсутствием стандартизированных показателей оценки качества анализа акций и недостаточной глубиной анализа. Мы преодолели эти ограничения с помощью двух инноваций. Во-первых, мы представили AnalyScore — систематическую рамочную структуру для оценки качества анализа акций; во-вторых, создали тщательно отобранный экспертами датасет Stocksis, призванный повысить финансовые аналитические возможности крупных языковых моделей (LLM). На основе датасета Stocksis, в сочетании с инновационной интеграционной рамкой и количественными инструментами, мы разработали агент FinSphere, способный генерировать профессиональные отчёты по анализу акций. Оценки AnalyScore показывают, что FinSphere значительно превосходит общие LLM, специализированные финансовые LLM и существующие интеллектуальные системы как по качеству анализа, так и по практическим возможностям, даже если последние оснащены доступом к данным в реальном времени и руководством с малым числом примеров. Результаты исследования подчёркивают значительные преимущества FinSphere в качестве анализа и реальном применении.

Крупная языковая модель (LLM); финансовая крупная модель с тонкой настройкой инструкций; анализ акций в реальном времени; рамка оценки и датасет