🌟 金融领域的大型语言模型

探索如何将生成式人工智能应用于现实世界的金融工作流程，借助AI代理、RAG以及多模态大语言模型

欢迎来到 LLMs-in-Finance 仓库！在这里，您将找到一系列动手实践的 Jupyter 笔记本，展示如何将最新的生成式人工智能工具——例如 OpenAI 的 Agents SDK、Anthropic 的 Claude、AutoGen、LlamaIndex 和 CrewAI——应用到实际的金融场景中。

🚀 无论您是想构建一个多智能体系统来分析市场，还是将 RAG 技术应用于财报分析，亦或是测试多模态模型在金融图表上的表现——这个仓库都为您而设！

如果您觉得这些内容对您有所帮助，请务必为该仓库点个 ⭐️，以支持并帮助更多人发现它的价值！

---

🔍 仓库内容概览

本仓库按以下主要模块进行组织：

• 金融领域的 AI 代理 — 使用 AutoGen、LlamaIndex 和 CrewAI 等框架，打造用于金融分析的协作型代理。
• RAG — 学习如何利用检索增强生成技术，从金融文档中提取、解析并进行分析。
• 多模态模型 — 测试 GPT-4o 和 Claude Sonnet 3.5 等模型在解读财报图表方面的表现。
• 金融领域论文 — 汇总整理了多篇关于生成式人工智能在金融领域应用的研究论文。

让我们一起深入探索吧！

金融领域的 AI 代理

以下是本仓库中包含的一些示例：

OpenAI Agents SDK

• 基于 AI 代理与大语言模型作为裁判的自主策略代码评审：
• 利用评估器-优化器多智能体系统（大语言模型作为裁判）实现金融新闻机器人

AutoGen

• 学习如何配置一个 AutoGen 金融 AI 代理！

• 应用案例：抓取并分析数据，制定动量交易策略*

• 如何利用 AutoGen 框架实现协作式任务管理

• 应用案例：优化动量交易策略*

LlamaIndex

• 如何通过代码解释器代理，借助 LlamaIndex 和 Anthropic，一键获取股票业绩的深度洞察
• 正在寻找一种简单的方式，将 AI 代理融入您的金融分析流程吗？
• Introspective_Agent_Worker_LLamaIndex_Financial_Tasks
• 学习如何使用 LlamaIndex 构建属于自己的多智能体基本面分析工作流

CrewAI

利用 CrewAI 进行多智能体协作，实现以下功能：

• 提供苹果公司趋势分析的洞见，
• 从新闻文章中提取情感分析结果，
• 根据这些洞见提出交易策略。

LangGraph

• 用于交易策略实施的 AI 代理：从概念到执行，再到反思

Anthropic

• 如何利用 Anthropic、LlamaIndex 以及各种 API 构建金融代理系统？

---

RAG

在这一部分，我提供了多个示例，涵盖了多种提供商和库，介绍如何解析复杂的金融报告：LlamaIndex、Anthropic、OpenAI、Aisuite。

以下是一些值得一看的有趣笔记本：

• 使用 LlamaParse 自动模式进行财务报告分析
• 使用 Anthropic 实现提示缓存

此外，我还附上了一个示例，介绍如何使用 DeepEval 和 GiskarAI 对您的 RAG 系统进行 评估。 https://github.com/hananedupouy/LLMs-in-Finance/tree/main/RAG/evaluation

---

多模态模型

在本仓库中，您将看到多个示例，展示了如何运用各类多模态大语言模型，如 Claude Sonnet 3.5、GPT-4o，以及最近发布的 o1 推理模型。我们的目标是评估这些模型在解读金融报告中复杂图表时的表现。

金融领域论文

这里为您呈现了几篇探讨生成式人工智能在金融领域应用的论文的简要介绍。

其他资源

您还可以找到更多与合成数据相关的示例。

免责声明

本项目仅用于教育与研究目的。

• 本项目不适用于真实交易或投资用途。
• 本项目不提供任何保证或担保。
• 作者对任何因使用本软件而造成的财务损失不承担任何责任。

使用本软件即表示您确认并同意，其仅用于学习目的。

LLMs-in-Finance 快速上手指南

本指南旨在帮助中国开发者快速上手 LLMs-in-Finance 项目，利用生成式 AI（GenAI）、智能体（Agents）、检索增强生成（RAG）及多模态模型解决金融领域的实际问题。

环境准备

在开始之前，请确保您的开发环境满足以下要求：

• 操作系统：Linux, macOS 或 Windows (推荐 WSL2)。
• Python 版本：Python 3.9 或更高版本。
• 包管理工具：pip 或 conda。
• API 密钥：根据您想使用的模型，需提前准备以下至少一个 API Key：
  • OpenAI API Key (用于 GPT-4o, o1, Agents SDK)
  • Anthropic API Key (用于 Claude Sonnet 3.5)
  • 其他相关服务密钥 (如 LlamaIndex Cloud, CrewAI 等，视具体 Notebook 需求而定)
• 依赖库：项目主要依赖 jupyter, openai, anthropic, autogen, llama-index, crewai 等主流 AI 框架。

提示：国内开发者若遇到网络连接问题，建议在运行 pip 安装时配置国内镜像源（如清华源或阿里源）。

安装步骤

1. 克隆仓库 将项目代码下载到本地：

   git clone https://github.com/hananedupouy/LLMs-in-Finance.git
   cd LLMs-in-Finance
   

2. 创建虚拟环境 推荐使用 conda 或 venv 隔离环境：

   python -m venv venv
   # Windows
   venv\Scripts\activate
   # macOS/Linux
   source venv/bin/activate
   

3. 安装依赖 由于该项目包含多个子模块（Agents, RAG, Multimodal），建议先安装基础通用依赖，再根据具体运行的 Notebook 按需安装特定库。

   基础安装：

   pip install jupyterlab pandas matplotlib
   

   按需安装特定框架（示例）：

   # 若使用 AutoGen
   pip install pyautogen
   
   # 若使用 LlamaIndex
   pip install llama-index llama-index-llms-anthropic llama-index-parsers-llama-parse
   
   # 若使用 CrewAI
   pip install crewai crewai-tools
   
   # 若使用 OpenAI Agents SDK
   pip install openai-agents
   

   加速建议：国内用户可使用清华镜像源加速安装： pip install -r requirements.txt -i https://pypi.tuna.tsinghua.edu.cn/simple (注：若根目录无 requirements.txt，请参照上述命令按需安装)

4. 配置 API 密钥 在运行任何 Notebook 之前，请在终端设置环境变量或在代码中配置您的 API Key：

   export OPENAI_API_KEY="your-openai-key"
   export ANTHROPIC_API_KEY="your-anthropic-key"
   

   (Windows PowerShell 使用 $env:OPENAI_API_KEY="your-key")

基本使用

本项目核心内容由一系列 Jupyter Notebooks 组成，覆盖了从智能体协作到财报分析的各种场景。

1. 启动 Jupyter Lab

进入项目根目录并启动服务：

jupyter lab

2. 选择示例场景

在浏览器打开的界面中，导航至对应的文件夹运行示例：

• 构建金融智能体 (AI Agents)

  • 路径：Agents/
  • 示例：打开 Agents/AutoGen/ 下的笔记本，体验如何配置 AutoGen 智能体来获取市场数据并制定动量交易策略；或在 Agents/CrewAI/ 中查看多智能体如何协作分析苹果公司的趋势并提取新闻情感。

• 财报文档分析 (RAG)

  • 路径：RAG/
  • 示例：运行 RAG/llamaindex/Financial_Report_Analysis_with_LlamaParse_AutoMode.ipynb，学习如何使用 LlamaParse 解析复杂的金融报表并进行检索增强生成分析。

• 多模态图表解读 (Multimodals)

  • 路径：Multimodal_llms/financial_analysis/
  • 示例：运行相关笔记本，测试 GPT-4o 或 Claude Sonnet 3.5 如何理解财报中的复杂图表。

3. 运行代码

打开任意 .ipynb 文件，按照单元格顺序依次执行。确保已正确设置 API 密钥，代码将自动调用相应的 LLM 服务完成金融分析任务。

---

⚠️ 免责声明：本项目仅供教育和研究用途，不适用于真实的交易或投资决策。作者不对任何因使用本软件造成的财务损失承担责任。