大模型在金融领域的应用技术与安全白皮书（76页）

行业报告下载 2024年05月28日 08:16 管理员

金融市场的高度复杂性和快速变化对分析方法有了更高的要求。传统分析方法通常依赖于固定模型和有限的数据处理能力，因而难以适应这种动态性。而智能体（Agent）可以通过持续学习和自我调整，更有效地理解和适应市场变化。它们具有处理大量多样化信息的能力和实时反应机制，能够解决传统方法难以应对的复杂金融问题。智能体是通过在特定环境中感知、思考和行动来实现特定的目标的计算实体，具备自主性、反应性、社会性、主动性等特征。在金融领域，智能体通过计划、记忆和行动等三个模块的紧密配合来实现目标。计划模块制定和优化策略，记忆模块存储经验和知识，而行动模块将这些策略和知识转化为具体行动。这种协同作用使得智能体能够有效地处理复杂金融任务，并持续学习和适应变化，以提高其在金融环境中的性能和效率。在计划模块方面，智能体借鉴了人类处理复杂任务时将其解构为更简单的子任务来完成，根据执行过程中的环境反馈结果，迭代进行计划修正，其中主要包括了任务分解和模型自我反思两个关键过程。任务分解是将复杂任务分解为更易于管理的子任务，并为每个子任务制定合理计划。一类常用方法包括解决简单金融问题的以思维链（CoT）为代表的逐步规划和执行方法、解决较复杂金融问题的以思维树（ToT）为代表的多路规划并择优路径选择方法、以及解决多因子耦合复杂关系金融问题的思维图（GoT）为代表的更复杂操作规划策略等。该类方法本质上是通过精心设计提示，激发和调动大模型中潜藏着的更擅长规划的认知部分。另一类方法则是借助外部金融领域专用问题规划器，进行整体系统性逻辑规划，例如，利用大语言模型首先将问题翻译成问题规划域定义语言（PDDL）描述，然后利用外部专用规划器搜寻最佳计划，然后生成计划规划语言，最后再利用大语言模型将该计划规划语言翻译成以自然语言表达的计划，以驱动行动模块执行任务。