Pixiu论文 | FinBen排行榜

免责声明

本仓库及其内容仅用于学术和教育目的。其中任何材料均不构成财务、法律或投资建议。对于内容的准确性、完整性或实用性，不提供任何明示或暗示的保证。作者及贡献者对因使用本仓库信息而产生的任何错误、遗漏或后果概不负责。用户在做出任何财务、法律或投资决策前，应自行判断并咨询专业人士。使用本仓库中的软件和信息，完全由用户自行承担风险。

通过使用或访问本仓库中的信息，您即表示同意赔偿、保护并使作者、贡献者以及任何关联组织或人员免受任何索赔或损害的影响。

📢 更新（日期：2023年9月22日）

🚀 我们非常高兴地宣布，我们的论文《PIXIU：面向金融领域的综合基准、指令数据集与大型语言模型》已被NeurIPS 2023数据集与基准赛道接收！

📢 更新（日期：2023年10月8日）

🌏 我们自豪地宣布，FinBen的增强版本现已支持中文和西班牙语！

📢 更新（日期：2024年2月20日）

🌏 我们很高兴地宣布，我们的论文《The FinBen：大型语言模型的综合性金融基准》现已发表在FinBen上。

📢 更新（日期：2024年5月2日）

🌏 我们诚挚邀请您参加IJCAI2024挑战赛“大型语言模型中的金融挑战——FinLLM”，入门指南可在Starter-kit中找到。

检查点：

• FinMA v0.1（NLP 7B版本）
• FinMA v0.1（完整7B版本）

语言

• 英语
• 西班牙语
• 中文

论文

• PIXIU：面向金融领域的综合基准、指令数据集与大型语言模型
• The FinBen：大型语言模型的综合性金融基准
• 没有一种语言是孤岛：在金融领域大型语言模型、指令数据和基准中统一中文与英文
• Dólares还是Dollars？解析金融LLM在西班牙语与英语之间的双语能力

评估：

• 英语评估数据集（更多细节请参见FinBen部分）
• 西班牙语评估数据集
• 中文评估数据集

情感分析

• FPB (en_fpb)
• FIQASA (flare_fiqasa)
• FOMC (flare_fomc)
• SemEval-2017 Task5 (flare_tsa)

分类

• 新闻标题 (flare_headlines)
• FinArg ECC Task1 (flare_finarg_ecc_auc)
• FinArg ECC Task2 (flare_finarg_ecc_arc)
• CFA (flare_cfa)
• MultiFin EN (flare_multifin_en)
• 并购 (flare_ma)
• MLESG EN (flare_mlesg)

知识抽取

• NER (flare_ner)
• Finer Ord (flare_finer_ord)
• FinRED (flare_finred)
• FinCausal20 Task1 (flare_causal20_sc)
• FinCausal20 Task2 (flare_cd)

数字理解

• FinQA (flare_finqa)
• TATQA (flare_tatqa)
• FNXL (flare_fnxl)
• FSRL (flare_fsrl)

文本摘要

• ECTSUM (flare_ectsum)
• EDTSUM (flare_edtsum)

信用评分

• 德国数据集 (flare_german)
• 澳大利亚数据集 (flare_australian)
• Lendingclub数据集 (flare_cra_lendingclub)
• 信用卡欺诈数据集 (flare_cra_ccf)
• ccFraud数据集 (flare_cra_ccfraud)
• 波兰数据集 (flare_cra_polish)
• 台湾经济期刊数据集 (flare_cra_taiwan)
• PortoSeguro数据集 (flare_cra_portoseguro)
• 旅行保险数据集 (flare_cra_travelinsurance)

预测

• BigData22用于股票走势预测 (flare_sm_bigdata)
• ACL18用于股票走势预测 (flare_sm_acl)
• CIKM18用于股票走势预测 (flare_sm_cikm)

概述

欢迎来到PIXIU项目！本项目旨在支持金融领域大型语言模型（LLMs）的开发、微调及评估。PIXIU是迈向理解和利用LLMs在金融领域潜力的重要一步。

仓库结构

仓库被组织成几个关键组件，每个组件都在金融NLP流程中发挥独特作用：

• FinBen：我们的金融语言理解与预测评估基准。FinBen作为金融LLMs的评估套件，专注于各类金融情境下的理解和预测任务。

• FIT：我们的金融指令数据集。FIT是一个多任务、多模态的指令数据集，专为金融任务设计，是微调LLMs以完成这些任务的训练基础。

• FinMA：我们的金融大型语言模型（LLM）。FinMA是我们项目的核心，为各项金融任务提供学习与预测能力。

主要特点

• 开放资源：PIXIU公开提供金融LLM、指令微调数据以及评估基准中包含的数据集，以促进开放研究与透明度。

• 多任务性：PIXIU中的指令微调数据和基准涵盖了多样化的金融任务，包括四项金融NLP任务和一项金融预测任务。

• 多模态性：PIXIU的指令微调数据和基准由多模态金融数据组成，其中包括用于股票走势预测任务的时间序列数据。它覆盖了各种类型的金融文本，如报告、新闻文章、推文和监管文件。

• 多样性：与以往主要关注金融NLP任务的基准不同，PIXIU的评估基准包含了与现实场景紧密相关的关键金融预测任务，使其更具挑战性。

FinBen 2.0：金融语言理解与预测评估基准

在这一部分，我们提供了FinMA与其他领先模型（包括ChatGPT、GPT-4、BloombergGPT等）的详细性能对比分析。为了进行这项分析，我们选取了一系列涵盖金融自然语言处理和金融预测各个方面的任务和指标。FinBen的所有模型结果都可以在我们的排行榜上找到！

任务

1. 佩卡·马洛、安库尔·辛哈、佩卡·科尔霍宁、于尔基·瓦莱纽斯和皮里·塔卡拉。2014年。好债务还是坏债务：检测经济文本中的语义倾向。信息科学与技术协会期刊，第65卷，第4期（2014年），782–796页。

2. 马塞多·迈亚、西格弗里德·汉德舒、安德烈·弗雷塔斯、布莱恩·戴维斯、罗斯·麦克德莫特、马内尔·扎鲁克和亚历山德拉·巴拉胡尔。2018年。Www’18开放挑战：金融观点挖掘与问答。载于2018年万维网大会配套论文集。1941–1942页。

3. 凯斯·科蒂斯、安德烈·弗雷塔斯、托比亚斯·道尔特、曼努埃拉·许尔利曼、马内尔·扎鲁克、西格弗里德·汉德舒和布莱恩·戴维斯。2017年。SemEval-2017任务5：金融微博和新闻的细粒度情感分析。载于《第11届国际语义评估研讨会（SemEval-2017）论文集》，第519–535页，加拿大温哥华。计算语言学协会出版。

4. 阿甘·沙阿、苏万·帕图里和苏迪尔·查瓦。2023年。万亿美元之词：一个新的金融数据集、任务与市场分析。载于《第61届计算语言学协会年会论文集（第一卷：长篇论文）》，第6664–6679页，加拿大多伦多。计算语言学协会出版。

5. 安库尔·辛哈和坦迈·坎代特。2021年。新闻对商品市场的影响：数据集与结果。载于《信息与通信进展：2021未来信息与通信大会（FICC）论文集》，第二卷。施普林格出版社，589–601页。

6. 陈昌成、林承毅、邱崇杰等。NTCIR-17 FinArg-1 任务概述：金融分析中的细粒度论点理解[C]//第17届NTCIR信息获取技术评估会议论文集，日本东京，2023年。

7. 拉斯穆斯·约根森、奥利弗·布兰特、马赖克·哈特曼、戴翔、克里斯蒂安·伊格尔和德斯蒙德·埃利奥特。2023年。MultiFin：多语言金融NLP数据集。载于《计算语言学协会成果：EACL 2023》，第894–909页，克罗地亚杜布罗夫尼克。计算语言学协会。

8. 杨、肯尼、吴、杨、史密斯和董。（2020）。为金融文本分类中的深度变换器生成合理反事实解释。 国际计算语言学会议。

9. 陈中奇、曾宇民、姜柔妍、安娜伊斯·吕西耶、戴敏育、涂腾蔡和陈信希。2023年。多语言ESG议题识别。载于《第五届金融科技与自然语言处理研讨会（FinNLP）及第二届多模态人工智能金融预测研讨会（Muffin）》论文集。

10. 胡里奥·塞萨尔·萨利纳斯·阿尔瓦拉多、卡琳·韦尔斯普尔和蒂莫西·鲍德温。2015年。命名实体识别的领域适应，以支持信用风险评估。载于2015年澳大拉西亚语言技术协会研讨会论文集，第84–90页。

11. 沙阿、维塔尼、古拉帕利等。Finer：金融命名实体识别数据集及弱监督模型[J]。arXiv预印本arXiv:2302.11157，2023年。

12. 沙尔马、索米娅等。“FinRED：金融领域关系抽取数据集。” 2022年网络大会配套论文集（2022）：无页码。

13. 多米尼克·马里科、汉娜·阿比-阿克尔、埃斯特尔·拉比迪里、斯蒂芬·杜福尔、于格·德·马赞库尔和马哈茂德·埃尔-哈吉。2020年。金融文档因果关系检测共享任务（FinCausal 2020）。载于《第一届金融叙事处理与多语言金融摘要联合研讨会》论文集，第23–32页，西班牙巴塞罗那（线上）。COLING。

14. 陈志宇、陈文虎、查瑞丝·斯迈利、萨米娜·沙赫、伊安娜·博罗娃、迪伦·兰登、丽玛·穆萨、马特·比恩、黄廷浩、布莱恩·R·鲁特莱奇等。2021年。FinQA：金融数据上的数值推理数据集。载于2021年自然语言处理经验方法会议论文集，第3697–3711页。

15. 朱峰斌、雷文强、黄友诚、王超、张硕、吕建程、冯福利和蔡达生。“TAT-QA：金融领域表格与文本混合内容上的问答基准。” ArXiv abs/2105.07624（2021）：无页码。

16. 索米娅·沙尔马、苏班杜·卡图亚、曼朱纳特·黑格德、阿芙琳·谢赫、考斯图夫·达斯古普塔、帕万·戈亚尔和尼洛伊·甘古利。2023年。金融数值极端标注：数据集与基准测试。载于《计算语言学协会成果：ACL 2023》，第3550–3561页，加拿大多伦多。计算语言学协会。

17. 马修·拉姆、阿伦·查甘蒂、克里斯托弗·D·曼宁、丹·朱拉夫斯基和珀西·梁。2018年。文本类比解析：类比事实中哪些是共有的，哪些是被比较的。载于《2018年自然语言处理经验方法会议论文集》，第82–92页，比利时布鲁塞尔。计算语言学协会。

18. 拉杰迪普·穆克吉、阿比纳夫·博拉、阿卡什·班纳吉、索米娅·沙尔马、曼朱纳特·黑格德、阿芙琳·谢赫、希瓦尼·施里瓦斯塔瓦、考斯图夫·达斯古普塔、尼洛伊·甘古利、萨普塔尔希·戈什和帕万·戈亚尔。2022年。ECTSum：长篇财报电话会议记录要点摘要的新基准数据集。载于《2022年自然语言处理经验方法会议论文集》，第10893–10906页，阿拉伯联合酋长国阿布扎比。计算语言学协会。

19. 周志涵、马立谦和刘瀚。2021年。交易事件：基于新闻的事件驱动交易中的企业事件检测。载于《计算语言学协会成果：ACL-IJCNLP 2021》，第2114–2124页，线上。计算语言学协会。

20. 霍夫曼，汉斯。（1994）。Statlog（德国信用数据）。UCI机器学习资源库。https://doi.org/10.24432/C5NC77。

21. 昆兰，罗斯。Statlog（澳大利亚信贷审批）。UCI机器学习资源库。https://doi.org/10.24432/C59012。

22. 冯端宇、戴永富、黄继明、张怡芳、谢倩倩、韩伟光、亚历杭德罗·洛佩斯-利拉和王浩。2023年。赋能多数，偏袒少数：通过大型语言模型进行通用信用评分。ArXiv abs/2310.00566（2023）：无页码。

23. 孙艺俊、柳在民、赵珉勇、全智亨和姜宇。2022年。利用自监督学习从稀疏且嘈杂的推文中准确预测股票走势。载于2022年IEEE大数据国际会议（Big Data）。IEEE，第1691–1700页。

24. 徐宇墨和谢伊·B·科恩。2018年。根据推文和历史价格预测股票走势。载于《第56届计算语言学协会年会论文集》（第1卷：长篇论文），第1970–1979页。

25. 吴慧哲、张伟、沈伟伟和王军。2018年。社交文本驱动的混合深度序列建模用于股票预测。载于《第27届ACM国际信息与知识管理会议论文集》，第1627–1630页。

26. 陈志宇、李世扬、查瑞丝·斯迈利、马志强、萨米娜·沙赫和威廉·杨旺。2022年。ConvFinQA：探索对话式金融问答中的数值推理链。载于《2022年自然语言处理经验方法会议论文集》，第6279–6292页，阿拉伯联合酋长国阿布扎比。计算语言学协会。

评估

准备工作

本地安装

git clone https://github.com/The-FinAI/PIXIU.git --recursive
cd PIXIU
pip install -r requirements.txt
cd src/financial-evaluation
pip install -e .[multilingual]

Docker 镜像

sudo bash scripts/docker_run.sh

上述命令会启动一个 Docker 容器，您可以根据自己的环境修改 docker_run.sh。我们还提供了预构建的镜像，运行以下命令即可拉取最新版本：sudo docker pull tothemoon/pixiu:latest

docker run --gpus all --ipc=host --ulimit memlock=-1 --ulimit stack=67108864 \
    --network host \
    --env https_proxy=$https_proxy \
    --env http_proxy=$http_proxy \
    --env all_proxy=$all_proxy \
    --env HF_HOME=$hf_home \
    -it [--rm] \
    --name pixiu \
    -v $pixiu_path:$pixiu_path \
    -v $hf_home:$hf_home \
    -v $ssh_pub_key:/root/.ssh/authorized_keys \
    -w $workdir \
    $docker_user/pixiu:$tag \
    [--sshd_port 2201 --cmd "echo 'Hello, world!' && /bin/bash"]

参数说明：

• [] 表示可选参数
• HF_HOME：Hugging Face 缓存目录
• sshd_port：容器内的 SSH 服务端口，默认为 22001，可通过 ssh -i private_key -p $sshd_port root@$ip 连接到容器
• --rm：退出容器时（如按 CTRL + D）自动删除容器

自动化任务评估

在进行评估之前，请先下载 BART 检查点 并放置到 src/metrics/BARTScore/bart_score.pth。

自动化评估步骤如下：

1. Hugging Face Transformer

若要评估托管在 Hugging Face Hub 上的模型（例如 finma-7b-full），可使用以下命令：

python eval.py \
    --model "hf-causal-llama" \
    --model_args "use_accelerate=True,pretrained=TheFinAI/finma-7b-full,tokenizer=TheFinAI/finma-7b-full,use_fast=False" \
    --tasks "flare_ner,flare_sm_acl,flare_fpb"

更多详细信息请参阅 lm_eval 文档。

2. 商业 API

请注意，对于 NER 等任务，自动化评估基于特定模式，这可能导致在零样本场景下无法提取相关信息，从而使得评估结果相对低于人工标注的结果。

export OPENAI_API_SECRET_KEY=YOUR_KEY_HERE
python eval.py \
    --model gpt-4 \
    --tasks flare_ner,flare_sm_acl,flare_fpb

3. 自行部署评估

运行推理后端：

bash scripts/run_interface.sh

请根据您的环境需求调整 run_interface.sh。

进行评估：

python data/*/evaluate.py

创建新任务

为 FinBen 创建新任务需要先创建一个 Hugging Face 数据集，并在 Python 文件中实现该任务。本指南将引导您逐步完成使用 FinBen 框架设置新任务的过程。

在 Hugging Face 上创建数据集

您的数据集应按照以下格式创建：

{
    "query": "...",
    "answer": "...",
    "text": "..."
}

其中：

• query：提示与文本的组合
• answer：标签

对于多轮对话任务（如 ）

对于分类任务（如 FPB (FinBen_fpb)），还需定义以下键值：

• choices：标签集合
• gold：正确标签在 choices 中的索引（从 0 开始）

对于序列标注任务（如 Finer Ord (FinBen_finer_ord)），还需定义以下键值：

• label：标记标签列表
• token：标记列表

对于抽取式摘要任务（如 ECTSUM (FinBen_ectsum)），还需定义以下键值：

• label：句子标签列表

对于生成式摘要和问答任务（如 EDTSUM (FinBen_edtsum)），则无需额外定义键值。

实现任务

数据集准备好后，即可开始实现任务。您的任务应在 flare.py 或任务目录下的其他 Python 文件中定义在一个新类中。

为了支持多种任务类型，我们提供了多个专用基类，包括 Classification、SequentialLabeling、RelationExtraction、ExtractiveSummarization、AbstractiveSummarization 和 QA。

例如，如果您正在开发一个分类任务，可以直接使用我们的 Classification 基类。该基类能够帮助您高效且直观地创建任务。下面以使用 Classification 基类创建名为 FinBen-FPB 的任务为例：

class flareFPB(Classification):
    DATASET_PATH = "flare-fpb"

仅此而已！创建好任务类后，下一步是在 src/tasks/__init__.py 文件中注册该任务。添加一行，格式为 "task_name": module.ClassName。例如：

TASK_REGISTRY = {
    "flare_fpb": flare.FPB,
    "your_new_task": your_module.YourTask,  # 在此处添加您的任务
}

预定义的任务指标

此外，您可以通过在类定义中指定 LOWER_CASE 来决定匹配过程中是否应将标签转换为小写。这一点很重要，因为标签是根据其在生成输出中的形式进行匹配的。对于考试等任务，如果标签是一组特定的大写字母，如“A”、“B”、“C”，通常应将其设置为False。

FIT：金融指令数据集

我们的指令数据集专为领域特定的大语言模型 FinMA 定制。该数据集经过精心构建，旨在对我们的模型进行多样的金融任务微调。它包含了来自多个公开发布的金融数据集的多任务、多模态公开数据。

该数据集内容丰富，涵盖情感分析、新闻标题分类、命名实体识别、问答以及股票走势预测等多种任务。数据模态既包括文本数据，也包括时间序列数据，提供了丰富的金融数据资源。每个任务的具体指令提示均由领域专家精心设计。

模态与提示

下表总结了不同任务、其对应的模态、文本类型以及每项任务所使用的指令示例：

数据集统计信息

该数据集包含大量指令数据样本（136K），使FinMA能够捕捉到多样化金融任务的细微差别。下表提供了指令数据集的统计详情：

1. 佩卡·马洛、安库尔·辛哈、佩卡·科尔霍宁、于尔基·瓦莱纽斯和皮里·塔卡拉。2014年。好债务还是坏债务：检测经济文本中的语义倾向。信息科学与技术协会期刊，第65卷第4期（2014年），782–796页。
2. 马塞多·迈亚、西格弗里德·汉施胡、安德烈·弗雷塔斯、布莱恩·戴维斯、罗斯·麦克德莫特、马内尔·扎鲁克和亚历山德拉·巴拉胡尔。2018年。Www’18开放挑战：金融观点挖掘与问答。2018年网络大会配套论文集，1941–1942页。
3. 安库尔·辛哈和坦迈·坎代特。2021年。新闻对商品市场的影响：数据集与结果。信息与通信进展：2021年信息与通信未来大会（FICC）论文集，第2卷。施普林格出版社，589–601页。
4. 胡里奥·塞萨尔·萨利纳斯·阿尔瓦拉多、卡琳·费尔斯波尔和蒂莫西·鲍德温。2015年。用于支持信用风险评估的命名实体识别领域适应。2015年澳大利亚语言技术协会研讨会论文集，84–90页。
5. 陈志宇、陈文虎、查瑞丝·斯迈利、萨米娜·沙赫、伊安娜·博罗娃、迪伦·兰登、丽玛·穆萨、马特·比恩、黄廷浩、布莱恩·R·劳特利奇等。2021年。FinQA：金融数据上的数值推理数据集。2021年自然语言处理经验方法会议论文集，3697–3711页。
6. 陈志宇、李世阳、查瑞丝·斯迈利、智强·马、萨米娜·沙赫和威廉·杨·王。2022年。Convfinqa：探索会话式金融问答中的数值推理链条。arXiv预印本arXiv:2210.03849（2022年）。
7. 叶俊·孙、赵在民、曹敏勇、全智亨和U·康。2022年。利用来自稀疏且嘈杂推文的自监督学习实现精准的股票走势预测。2022年IEEE国际大数据会议（Big Data）。IEEE出版，1691–1700页。
8. 徐宇墨和谢伊·B·科恩。2018年。基于推文和历史价格的股票走势预测。第56届计算语言学协会年会论文集（第1卷：长篇论文），1970–1979页。
9. 吴慧哲、张伟、沈伟伟和王军。2018年。结合深度序列模型的社会文本驱动股票预测。第27届ACM国际信息与知识管理会议论文集，1627–1630页。

为 FIT 生成数据集

在使用金融指令数据集（FIT）时，遵循规定的格式来训练和测试模型至关重要。

格式应如下所示：

{
    "id": "唯一标识符",
    "conversations": [
        {
            "from": "human",
            "value": "您的提示和文本"
        },
        {
            "from": "agent",
            "value": "您的回答"
        }
    ],
    "text": "待分类的文本",
    "label": "您的标签"
}

各字段含义如下：

• “id”：数据集中每个样本的唯一标识符。
• “conversations”：对话轮次列表。每一轮次用一个字典表示，其中“from”表示发言者，“value”表示该轮次中的文本。
• “text”：待分类的文本。
• “label”：该文本的真实标签。

“conversations”列表中的第一轮必须来自“human”，包含您的提示和文本。第二轮则应来自“agent”，包含您的答案。

FinMA v0.1：金融大型语言模型

我们很高兴推出 FinMA 的第一个版本，包括三个模型：FinMA-7B、FinMA-7B-full 和 FinMA-30B，它们分别基于 LLaMA 7B 和 LLaMA-30B 进行微调。FinMA-7B 和 FinMA-30B 使用 NLP 指令数据进行训练，而 FinMA-7B-full 则使用涵盖 NLP 和预测任务的完整 FIT 指令数据进行训练。

FinMA v0.1 现已在 Huggingface 上公开发布，供公众使用。我们期待这一初始版本能为金融 NLP 领域带来宝贵贡献，并鼓励用户将其应用于各种金融任务和场景。我们也欢迎反馈和经验分享，以帮助改进未来的版本。

如何基于 FIT 使用 PIXIU 微调一个新的大型语言模型？

敬请期待。

FinMem：性能增强型 LLM 交易代理

FinMem 是一种新颖的基于 LLM 的代理框架，专为金融决策设计，包含三个核心模块：Profile 模块，用于描绘代理的特征；Memory 模块，采用分层处理方式，帮助代理吸收真实的分层金融数据；以及 Decision-making 模块，将从记忆中获得的洞察转化为投资决策。目前，经过简单的模式预热后，FinMem 已能实现高收益的单只股票交易。以下是基于 Docker 的快速入门框架，以 TSLA 作为示例输入。

步骤 1：设置环境变量
在 .env 文件中根据需要添加 HUGGINGFACE TOKEN 和 OPENAI API KEY。

OPENAI_API_KEY = "<您的 OpenAI 密钥>"
HF_TOKEN = "<您的 HF 令牌>"

步骤 2：在 config.toml 中设置端点 URL
根据所选模型（OPENAI、Gemini、HuggingFace 上的开源模型等）使用端点 URL 部署模型。对于 HuggingFace 上的开源模型，可以通过 RunPod 生成 TGI 端点。

[chat]
model = "tgi"
end_point = "<设置您的端点地址>"
tokenization_model_name = "<模型名称>"
...

步骤 3：构建 Docker 镜像和容器

docker build -t test-finmem .devcontainer/. 

启动容器：

docker run -it --rm -v $(pwd):/finmem test-finmem bash

步骤 4：开始模拟！

用法：run.py sim [选项]                                                                                                                
                                                                                                                                            
 开始模拟                                                                                                                           
                                                                                                                                            
╭─ 选项 ────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────╮
│ --market-data-path    -mdp      TEXT  环境数据 pickle 路径 [默认：data/06_input/subset_symbols.pkl]                       │
│ --start-time          -st       TEXT  训练或测试开始时间 [默认：2022-06-30 对于 Ticker 'TSLA']                                                               │
│ --end-time            -et       TEXT  训练或测试结束时间 [默认：2022-10-11]                                                                 │
│ --run-model           -rm       TEXT  运行模式：train 或 test [默认：train]                                                           │
│ --config-path         -cp       TEXT  配置文件路径 [默认：config/config.toml]                                                     │
│ --checkpoint-path     -ckp      TEXT  检查点保存路径 [默认：data/10_checkpoint_test]                                             │
│ --result-path         -rp       TEXT  结果保存路径 [默认：data/11_train_result]                                               │
│ --trained-agent-path  -tap      TEXT  仅在测试模式下使用，已训练代理的路径 [默认：无。可更改为 data/05_train_model_output 或 data/06_train_checkpoint]                                  │
│ --help                                显示此消息并退出。                                                                        │
╰──────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────╯
                              

使用示例：

python run.py sim --market-data-path data/03_model_input/tsla.pkl --start-time 2022-06-30 --end-time 2022-10-11 --run-model train --config-path config/tsla_tgi_config.toml --checkpoint-path data/06_train_checkpoint --result-path data/05_train_model_output

此外，还提供了检查点功能。更多详情请直接访问 FinMem 仓库。

引用

如果您在工作中使用了 PIXIU，请引用我们的论文。

@misc{xie2023pixiu,
      title={PIXIU：面向金融领域的大型语言模型、指令数据集及评估基准}, 
      author={谢倩倩、韩伟光、张晓、赖延昭、彭敏、亚历杭德罗·洛佩斯-利拉、黄继民},
      year={2023},
      eprint={2306.05443},
      archivePrefix={arXiv},
      primaryClass={cs.CL}
}

@misc{xie2024FinBen,
      title={FinBen：面向大型语言模型的综合性金融基准测试集}, 
      author={谢倩倩、韩伟光、陈正宇、向若愚、张晓、何悦如、肖梦溪、李东、戴永福、冯端宇、徐艺静、康浩强、匡子言、袁晨瀚、杨凯来、罗哲恒、张天林、刘志伟、熊国俊、邓志阳、蒋岳辰、姚志远、李浩航、于洋洋、胡刚、黄佳佳、刘晓阳、亚历杭德罗·洛佩斯-利拉、王本友、赖延昭、王浩、彭敏、索菲娅·阿纳尼亚杜、黄继民},
      year={2024},
      eprint={2402.12659},
      archivePrefix={arXiv},
      primaryClass={cs.CL}
}

许可协议

PIXIU 采用 [MIT] 许可协议授权。更多详情请参阅 MIT 文件。

星标历史