Los actuales modelos grandes de lenguaje financiero (FinLLM) tienen dos limitaciones principales: la falta de métricas estandarizadas para evaluar la calidad del análisis de acciones y una profundidad de análisis insuficiente. Hemos superado estas limitaciones mediante dos innovaciones. Primero, lanzamos AnalyScore, un marco sistemático para evaluar la calidad del análisis de acciones; segundo, construimos un conjunto de datos Stocksis cuidadosamente seleccionado por expertos, destinado a mejorar la capacidad de análisis financiero de los modelos grandes de lenguaje (LLM). Basado en el conjunto de datos Stocksis, junto con un marco de integración innovador y herramientas cuantitativas, desarrollamos el agente FinSphere, capaz de generar informes de análisis de acciones a nivel profesional. La evaluación con AnalyScore muestra que FinSphere supera significativamente a LLM generales, LLM financieros especializados y a los sistemas de agentes existentes en calidad de análisis y capacidad de aplicación práctica, incluso cuando estos últimos cuentan con acceso a datos en tiempo real y orientación con pocos ejemplos. Los resultados del estudio destacan las ventajas significativas de FinSphere en calidad de análisis y aplicación real.

Modelos grandes de lenguaje (LLM); modelo financiero grande afinado por instrucciones; análisis de acciones en tiempo real; marco de evaluación y conjunto de datos