投资型llm

RAG系统已经趋向成熟，几乎任何一个玩llm的人都知道，向量数据库，文档分割，向量文段召回，上下文学习。作者在偶然发现了这篇有趣的论文，这个LLM 打败华尔街的论文，也是基于这个系统。但是不一样的是，他们的玩法更加垂直领域，而且多次使用了LLM的 ”总结“ 功能，融合RAG系统里面去，本文的就是通过这篇论文，探索LLM-RAG的未来发展趋势。

在投资领域，该论文认为LLM表现比人类更好，更稳定，没有偏见，而且很多大机构比如高盛，和摩根大通已经开始利用LLM加强业务，但是应该如何做的呢？

如果设想一下一个llm驱动的投资AI，会变成什么样？

• 1 集成LLM作为底座到量化投资领域
• 2 可对输出的投资策略进行解释
• 3 对B端公司，团队可用，对C端个人散户也可用
• 4 比人类更加稳健，且具有更好的回报率
• 5 独立且不依附任何集团，不为任何金融集团背书，绝对的客观公正

基础架构

基本架构图如下

总共使用了4个独立的信息来源，底座也是基于api的RAG系统，分别是

（下文提及的RAG系统，指的是通过api获取数据，然后作为上下文输入给模型，进行信息总结，总结后入库，定期更新）

• 新闻数据总结RAG系统
• 基本总结RAG系统（基本分析指的是，上市公司公开的财报信息等）
• 宏观经济总结RAG系统 (宏观经济分析是，类似黑石，高盛，这样的权威的集团给出的经济报告)
• 动态股价RAG系统

最后把所有的子系统的输出，汇聚到一个”数据库“ bucket里面，然后对数据进行提取，再输入给强大如GPT4，进行step by step的总结，把系统行为收敛到三个行为，并且给出解释

• 持有股票
• 卖出股票
• 买入股票

新闻数据总结RAG系统

该论文认为，要模拟一个投资团队对新闻的处理行为。

他们把新闻分为三种：

• 对市场有短期影响的新闻 （比如某终端公司的发布会新闻）
• 对市场有长期影响的新闻 （比如美联储和央银的一些措施新闻)
• 对市场毫无影响的新闻

如下图：

该模块会通过api调用获取各种经济新闻，然后对返回的Json做数据预处理。这里预处理的目的在于把新闻的主要信息填充到预设好的 one-shot prompt 里给llm进行上下文推理，让llm对这些日更新闻做总结，进而存储到向量数据库里。

这里比较难以理解的是PN，PN其实代表的是月度新闻，用来捕捉公司的现状和内在。

月度新闻会把日新闻集成到一起，但是如何丢弃无关新闻，老旧新闻，以及集成后好处有哪些，论文没说。

如何集成？ 当月的PN是来自PN-1，也就是上个月的PN，同时还有30天内的每日新闻。

PN(this month) = PN (last month) + Daily News(30 days)

而且这里PN可以设置为，一个月，双周，视情况而定。

举了一个苹果公司的例子，每天都有非常多信息流涌入：比如iphone15的发部，M3芯片，但是销售速度下降，这些信息会汇总为到一起, 与上个月的月度信息汇总一起，按照上述公式进行迭代。

基本信息总结RAG系统

和上文一样的，通过api获取财报之类的信息，处理数据：比如把数据里的各种0替换为百万和亿，提取关键信息等。

prompt是有严格的格式的，比如盈利性，负债，回报率等财报性质相关的数据。

预处理阶段把财报信息填充入prompt。并且和前两个季度对比。llm会敏锐的发现财务的变化，还是和上文一样，这个信息迭代是通过总结上一个，或者上两个信息体，进行递进。（有点像斐波那契数列）

这个summarize promopt故意设置为比较没有偏见的，尤其是要客观，论文强调了一点，prompt的设计要避免给出直接的投资决策。

新闻和基本信息的总结如下图：

动态股价总结RAG系统

这个系统依旧会通过api获取实时的股价数据，而这里关键在于这里的prompt，这里prompt要填写目标公司的股价信息外，还有加入5个同类公司的股价进去，作为输入给大模型。

但是如何根据目标公司找到5个同类公司，这里论文给的是，根据公司的描述信息进行向量召回，算法如下：（本质上就是一个RAG）

最后把这些股价各个维度信息输入到预设好的prompt，给gpt4后进行总结。这种方式，somehow也是常见投资者进行同类分析的方式。

当然还有更高级的对冲分析，这些比较复杂，所以论文应该是简单省略。

宏观经济分析总结

宏观经济的分析，这类分析，比如疫情，和战争对市场是会很大的影响。

这类数据来源于，类似摩根大通，和高盛，ubs，黑石，世界银行之类的机构的投资报告，采取双周制度更新的机制。

简单的说，还是总结，就是把这些报告信息进行预处理，填入prmopt， 使用gpt4进行总结，最后存库，双周更新一次。

决策阶段

这是最后一个阶段，决定某在一个“赌场” ：）比如 A股，美股，日股里的一只股票是继续持有，还是加仓，还是卖掉。

此时已经有了四大信息了 N,F,P,M,（上文已经赘述）

就差一个函数来决定 F(N,F,P,M)来进行决策，gpt4 此时会扮演这个投资专家角色(promopt)，并且还要step by step推理，给出

{卖出，买入，持有} 的返回值。

并且要对做出的决定给与解释。

prmopt 格式如下：

总结：

后续论文还给出了股票排行榜之类的做法，但是基础架构就是介绍完了，还有实验数据论文声称自己得到一个很好回报率，细节不赘述。

底层技术实现
底层实现是用了

• langchain 框架
• gpt4 的 api
• vectorbt pro 一个量化交易的python库