初识AlphaFin：一个框架搞定股票趋势预测与金融问答的开源LLM金融分析基准详解
【免费下载链接】AlphaFin项目地址https://gitcode.com/gh_mirrors/alp/AlphaFin点击查看免费下载AlphaFin 是一个面向金融分析场景的开源项目把股票趋势预测和金融问答两大任务整合进同一套 LLM 工作流中。它提供 AlphaFin 数据集、基于 ChatGLM2-6B 微调的 StockGPT-Stage1 / StockGPT-Stage2 两个模型以及带检索增强RAG的 Stock-Chain 分析框架帮助大模型少说废话、多引用真实金融数据。对于想入门LLM 金融方向的开发者来说这是一个非常好的学习样本。为什么需要 AlphaFinLLM 做金融分析的两大痛点 普通大模型直接回答金融问题时通常有两个硬伤幻觉严重会编造不存在的财报数字和新闻事实数据过期训练数据有截止日期回答不了实时行情类问题。AlphaFin 的思路是检索增强 金融微调先用 FAISS 向量库检索研报、新闻、行情等真实文档再交给微调过的金融模型StockGPT基于检索内容作答从而同时解决这两个问题。两阶段工作流一个框架覆盖两个任务AlphaFin 把整个流程拆成两个可独立运行的阶段分别对应两个脚本入口阶段任务入口脚本核心模型Stage 1股票趋势预测涨/跌 概率scripts/stage1_trend_prediction.shStockGPT-Stage1LoRAStage 2金融问答RAG 检索 生成scripts/stage2_financial_qa.shStockGPT-Stage2 BGE-Large-zhStage 1股票趋势预测是怎么跑的Stage 1 是一条四步流水线在 scripts/stage1_trend_prediction.sh 中串联完成准备数据下载 K 线数据库到本地db_file目录模型推理由 src/stage1_trend_prediction/stockgpt_inf.py 加载 ChatGLM2-6B 和 Stage1 LoRA 权重对 src/data/stage1_testdata.json 中的研报提示词逐条预测后处理src/stage1_trend_prediction/dataprocess_stockgpt.py 从自然语言回答中抽取涨/跌结论并清洗无效值策略回测src/stage1_trend_prediction/test_strategy.py 结合 tushare 行情数据执行多空策略模拟并计算年化收益、夏普比率、最大回撤等指标。最终预测结果会以 Excel 形式输出到 outputs/mldl_prediction.xlsx方便和机器学习方法对比。Stage 2金融问答的 RAG 实战Stage 2 自带一个 Gradio 网页界面核心代码在 src/stage2_financial_qa/webui/run.py。它的检索流程是内置3 个 FAISS 向量库研报reports、市场数据prices、新闻news样例数据在 src/data/database_sample/ 下每个库包含.json原文和.faiss/.pkl索引用户提问时先自动补全日期再用 BGE-Large-zh 做向量化检索 Top-K 文档检索内容拼入提示词交给 StockGPT-Stage2 生成答案界面上还会同步展示检索到的知识方便你核对回答是否有据可依。数据集中英双语的金融语料全家桶AlphaFin 数据集覆盖了 NLI、金融 QA、股票趋势预测等核心任务英文数据偏传统金融/NLP 任务中文数据以研报和股票预测为主数据集规模输入长度输出长度语言Research42K712.85.6英文StockQA21K1313.640.8中文Fin. News79K497.864.2中文Fin. Reports120K220317.2中文Fin. Reports CoT2002184.8407.8中文数据构建过程如图所示传统研究数据集FPB、FinQA、Headline 等之外还从 Eastmoney、Wall Streetcn、CCTV、Tushare 等渠道加工出金融新闻集和 StockQA并手工标注了少量 CoT 研报数据。快速上手三步跑通 AlphaFin 1️⃣ 克隆并安装依赖git clone https://gitcode.com/gh_mirrors/alp/AlphaFin cd AlphaFin pip install -r requirements.txt依赖清单见 requirements.txt核心包括transformers、peft、langchain、faiss-cpu、gradio、tushare等。2️⃣ 配置 Stage 1 并运行先下载 ChatGLM2-6B 与 StockGPT-Stage1 模型权重然后在 scripts/stage1_trend_prediction.sh 中填入tushare_token和两个本地模型路径执行bash scripts/stage1_trend_prediction.sh3️⃣ 配置 Stage 2 并运行再准备 ChatGLM2-6B、StockGPT-Stage2 与 BGE-Large-zh 的本地路径写入 scripts/stage2_financial_qa.sh 后执行bash scripts/stage2_financial_qa.sh打开浏览器即可进入 WebUI 体验金融问答Stage 2 已内置 200 条新闻、研报和股价文档样例无需额外准备数据即可试用。效果如何Stock-Chain 的空头测试成绩作者用 2020–2023 年的累计收益曲线把 Stock-Chain 与 FinGPT、FinMA、ChatGPT、xgboost、LSTM 等 8 种方法放在同一张图上对比多空测试结果显示 Stock-Chain 拥有最高的累计收益AR并自 2023 年起保持上行趋势年化收益率ARR达到30.8%验证了RAG 金融微调组合在投资决策辅助上的有效性。目录结构与关键文件速查路径说明scripts/stage1_trend_prediction.sh趋势预测四步流水线脚本scripts/stage2_financial_qa.sh金融问答 WebUI 启动脚本src/stage1_trend_prediction/stockgpt_inf.pyStage1 模型推理入口src/stage1_trend_prediction/test_strategy.py多空策略回测与绩效指标计算src/stage2_financial_qa/webui/run.pyFAISS 检索 Gradio 问答界面src/data/database_sample/新闻/研报/行情三个向量库样例数据outputs/mldl_prediction.xlsxML/DL 方法预测结果样例总结AlphaFin 用一套清晰的数据集 两阶段模型 RAG 框架回答了新手最关心的三个问题金融 LLM 怎么训LoRA 微调 CoT 数据、幻觉怎么治FAISS 检索增强 有据回答、效果怎么评策略回测 多空测试。如果你想系统学习LLM 落地金融场景从它的两个 Stage 脚本入手是最短的上手路径。⚠️ 提示本项目内容仅用于学术研究与教育目的模型输出不构成任何投资建议。赞分享【免费下载链接】AlphaFin项目地址https://gitcode.com/gh_mirrors/alp/AlphaFin点击查看免费下载相关推荐GLM-4.5金融分析市场趋势预测GLM 4.5金融分析市场趋势预测 引言AI大模型如何重塑金融分析格局 在金融市场瞬息万变的今天传统分析方法往往难以应对海量数据和复杂关联。GLM 4.5基础模型大模型人工智能Kronos金融AI完整指南5分钟搞定股票预测实战Kronos金融AI完整指南5分钟搞定股票预测实战 你是否曾经因为无法准确预测股票走势而错失良机面对复杂的K线图和海量市场数据感到无从下手Kronos金融人工智能大模型基础模型预训练金融科技深度学习Kronos金融预测框架如何在8分钟内完成千只股票精准预测Kronos金融预测框架如何在8分钟内完成千只股票精准预测 当投资组合从几十只扩展到上千只时传统股票预测系统往往面临GPU显存告急、内存占用飙升、预测时间人工智能大模型基础模型预训练金融科技深度学习上一篇自然语言处理实践用SageMaker Studio Lab微调T5模型进行灾难恢复翻译下一篇终极指南mlx-community/Boogu-Image-0.1-Base-bf16实现1024×1024超高清图像生成创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考