論文の概要: FinTeam: A Multi-Agent Collaborative Intelligence System for Comprehensive Financial Scenarios
- arxiv url: http://arxiv.org/abs/2507.10448v1
- Date: Sat, 05 Jul 2025 10:12:25 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-07-15 18:48:25.468028
- Title: FinTeam: A Multi-Agent Collaborative Intelligence System for Comprehensive Financial Scenarios
- Title(参考訳): FinTeam: 包括的金融シナリオのためのマルチエージェント協調型インテリジェンスシステム
- Authors: Yingqian Wu, Qiushi Wang, Zefei Long, Rong Ye, Zhongtian Lu, Xianyin Zhang, Bingxuan Li, Wei Chen, Liwen Zhang, Zhongyu Wei,
- Abstract要約: FinTeamは金融マルチエージェントコラボレーションシステムである。
構築されたデータセットを使用して、これらのエージェントを特定の財務的な専門知識で訓練する。
我々はFinTeamを実際のオンライン投資フォーラムから構築した包括的財務タスクで評価する。
- 参考スコア(独自算出の注目度): 31.464961691866854
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Financial report generation tasks range from macro- to micro-economics analysis, also requiring extensive data analysis. Existing LLM models are usually fine-tuned on simple QA tasks and cannot comprehensively analyze real financial scenarios. Given the complexity, financial companies often distribute tasks among departments. Inspired by this, we propose FinTeam, a financial multi-agent collaborative system, with a workflow with four LLM agents: document analyzer, analyst, accountant, and consultant. We train these agents with specific financial expertise using constructed datasets. We evaluate FinTeam on comprehensive financial tasks constructed from real online investment forums, including macroeconomic, industry, and company analysis. The human evaluation shows that by combining agents, the financial reports generate from FinTeam achieved a 62.00% acceptance rate, outperforming baseline models like GPT-4o and Xuanyuan. Additionally, FinTeam's agents demonstrate a 7.43% average improvement on FinCUGE and a 2.06% accuracy boost on FinEval. Project is available at https://github.com/FudanDISC/DISC-FinLLM/.
- Abstract(参考訳): 財務報告生成タスクはマクロからミクロ経済学まで様々であり、データ分析も必要である。
既存のLLMモデルは通常、単純なQAタスクで微調整されており、実際の財務シナリオを包括的に分析することはできない。
複雑さを考えると、金融企業はしばしば部門間でタスクを分配する。
そこで本研究では,金融マルチエージェント協調システムであるFinTeamを提案し,文書分析,アナリスト,会計士,コンサルタントの4人のLLMエージェントによるワークフローを提案する。
構築されたデータセットを使用して、これらのエージェントを特定の財務的な専門知識で訓練する。
我々はFinTeamを、マクロ経済、産業、企業分析など、実際のオンライン投資フォーラムから構築した包括的財務タスクで評価する。
人的評価では、FinTeamの財務報告はエージェントを組み合わせることで62.00%の受け入れ率を獲得し、GPT-4oやXuanyuanといったベースラインモデルを上回った。
さらに、FinTeamのエージェントはFinCUGEの7.43%の平均的な改善とFinEvalの2.06%の精度向上を示している。
プロジェクトはhttps://github.com/FudanDISC/DISC-FinLLM/.comで入手できる。
関連論文リスト
- FinMaster: A Holistic Benchmark for Mastering Full-Pipeline Financial Workflows with LLMs [15.230256296815565]
FinMasterは、金融リテラシー、会計、監査、コンサルティングにおける大規模言語モデル(LLM)の機能を評価するために設計されたベンチマークである。
FinMasterは、FinSim、FinSuite、FinEvalの3つの主要なモジュールで構成されている。
実験では、財務的な推論において重要な能力のギャップが示され、精度は基本的なタスクで90%以上から、複雑なシナリオではわずか37%に低下した。
論文 参考訳(メタデータ) (2025-05-18T11:47:55Z) - FinanceQA: A Benchmark for Evaluating Financial Analysis Capabilities of Large Language Models [0.0]
FinanceQAは、LLMのパフォーマンスを実世界の投資業務を反映した複雑な数値分析タスクで評価するテストスイートである。
現在のLLMは、金融機関の厳密な精度要件を満たすことができず、モデルは現実的なタスクの約60%を欠いている。
その結果、このようなタスクをサポートするためには高品質なトレーニングデータが必要であることが示され、OpenAIの微調整APIを使って実験した。
論文 参考訳(メタデータ) (2025-01-30T00:06:55Z) - FinTeamExperts: Role Specialized MOEs For Financial Analysis [17.145985064776273]
我々は、金融分析のためのMixture of Experts (MOEs) として構成されたロール特化LDMフレームワークであるFinTeamExpertsを提示する。
このフレームワークは、マクロアナリスト、マイクロアナリスト、量的アナリストといった、異なる役割を専門とする各モデルをトレーニングすることで、協力的なチーム設定をシミュレートする。
我々は、異なるコーパス上の3つの8ビリオンパラメータモデルを訓練し、それぞれが特定の金融関連の役割に長けている。
論文 参考訳(メタデータ) (2024-10-28T00:40:55Z) - Open-FinLLMs: Open Multimodal Large Language Models for Financial Applications [88.96861155804935]
オープンソースのマルチモーダル金融 LLM である textitOpen-FinLLMs を紹介する。
FinLLaMAは52ビリオンのトーケンコーパス、FinLLaMA-Instructは573Kの財務命令で微調整され、FinLLaVAは1.43Mのマルチモーダルチューニングペアで強化されている。
我々は、14の財務タスク、30のデータセット、および4つのマルチモーダルタスクにわたるOpen-FinLLMをゼロショット、少数ショット、教師付き微調整設定で評価した。
論文 参考訳(メタデータ) (2024-08-20T16:15:28Z) - FinBen: A Holistic Financial Benchmark for Large Language Models [75.09474986283394]
FinBenは、24の財務タスクにまたがる36のデータセットを含む、最初の大規模なオープンソース評価ベンチマークである。
FinBenは、幅広いタスクとデータセット、ストックトレーディングの最初の評価、新しいエージェントと検索可能な生成(RAG)の評価、およびテキスト要約、質問応答、株式トレーディングのための3つの新しいオープンソース評価データセットを提供する。
論文 参考訳(メタデータ) (2024-02-20T02:16:16Z) - PIXIU: A Large Language Model, Instruction Data and Evaluation Benchmark
for Finance [63.51545277822702]
PIXIUは、命令データ付き微調整LLaMAに基づく最初の金融大規模言語モデル(LLM)を含む包括的なフレームワークである。
我々はLLaMAを細調整してFinMAを提案する。
我々は、FinMAと既存のLLMを詳細に分析し、重要な財政課題に対処する際の長所と短所を明らかにする。
論文 参考訳(メタデータ) (2023-06-08T14:20:29Z) - FinQA: A Dataset of Numerical Reasoning over Financial Data [52.7249610894623]
我々は、大量の財務文書の分析を自動化することを目的として、財務データに関する深い質問に答えることに重点を置いている。
我々は,金融専門家が作成した財務報告に対して質問回答のペアを用いた,新たな大規模データセットFinQAを提案する。
その結果、人気があり、大規模で、事前訓練されたモデルは、金融知識を得るための専門的な人間には程遠いことが示される。
論文 参考訳(メタデータ) (2021-09-01T00:08:14Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト(すべての情報・翻訳含む)の品質を保証せず、本サイト(すべての情報・翻訳含む)を使用して発生したあらゆる結果について一切の責任を負いません。