Resolving the Missing Financial Data Crisis: A Generative AI Pipeline for SEC 10-K Extraction
Worcester Polytechnic Institute(伍斯特理工学院)
本研究提出生成式AI流水线,利用多种LLM从SEC 10-K中提取财务数据,解决影响超70%公司的缺失数据问题,Qwen-2.5 14B和Llama-3.3 70B分别在不同属性上取得高F1分数。
2026-09-30 cs.CL
Gold-Guided Programmatic Distillation for Financial Reasoning over Hybrid Tables and Text
研究针对混合表格和文本数据的金融推理问题,基于程序蒸馏开发方法,利用黄金推导指导程序合成,经执行验证转移可靠数值推理,引入迭代恢复阶段,实验表明该框架能有效训练小模型进行可靠数值推理。
2026-07-17 cs.CL
GPT-FinRE: In-context Learning for Financial Relation Extraction using Large Language Models
MUST Research(MUST研究院);UtilizeAI Research(UtilizeAI研究院)
针对金融领域关系抽取任务,提出GPT-FinRE方法,在上下文学习框架下结合两种检索策略选取示例,在REFinD数据集上取得0.718的F1值,总排名第三。
2023-07-21 cs.CL
Beyond the Reported Cutoff: Where Large Language Models Fall Short on Financial Knowledge
College of Computing & Scheller College of Business(计算学院与商学学院);Georgia Institute of Technology(佐治亚理工学院)
本研究基于美国上市公司超19.7万条金融问题评测大语言模型的历史知识广度,发现其对过往财务表现认知不足,更了解大公司与近期信息,但也更易针对大公司近年数据产生幻觉。
2025-07-28 cs.CL
FinTradeBench: A Financial Reasoning Benchmark for LLMs
University of Central Florida(佛罗里达中央大学)
提出FinTradeBench基准,通过结合公司基本面与交易信号,评估大语言模型在金融推理中的表现,发现检索增强对数值和时间序列推理帮助有限。
2026-06-11 cs.AI cs.CE cs.CL
SECQUE: A Benchmark for Evaluating Real-World Financial Analysis Capabilities
Microsoft Industry AI(微软产业人工智能)
本文提出SECQUE基准,包含565道专家编写的SEC文件分析问题,并开发SECQUE-Judge评估机制,用于系统衡量大语言模型的金融分析能力。
2025-04-06 cs.AI cs.CE cs.CL
WHEN FLUE MEETS FLANG: Benchmarks and Large Pre-trained Language Model for Financial Domain
Georgia Institute of Technology(佐治亚理工学院);JPMorgan AI Research(摩根大通人工智能研究院);Stanford University(斯坦福大学)
预训练的语言模型在各种任务和领域中表现出令人印象深刻的性能。以往的金融语言模型研究通常采用通用的训练方案来训练标准模型架构,而没有完全利用金融数据的丰富性。提出了一种新的领域特定金融语言模型(FLANG),该模型利用金融关键词和短语进行更好的掩蔽,并结合跨边界目标和填充目标。此外,外地的评价基准有限。为此,我们贡献了金融语言理解评估(FLUE),这是一套针对金融领域的开源综合基准。其中包括金融领域5个NLP任务的新基准以及以前研究中使用的常见基准。在这些基准上的实验表明,我们的模型在各种NLP任务上的性能优于先前文献中的模型。我们的模型、代码和基准测试数据在Github和Huggingface上公开。
2022-10-31 cs.AI cs.CL cs.LG
Discovering material information using hierarchical Reformer model on financial regulatory filings
Autorité des Marchés Financiers(金融市场管理局);Mila(米拉)
机器学习在金融领域的大多数应用都与投资决策的预测任务有关。相反,我们的目标是通过机器学习技术促进对金融市场的更好理解。利用深度学习模型在自然语言处理方面的巨大进步,我们构建了一个分层的Reformer([15])模型,能够处理来自加拿大金融监管文件的大型文档级数据集SEDAR。使用这个模型,我们表明,它是可能的,以预测贸易量的变化,使用监管备案。我们调整了HiBERT([36])的预训练任务,以使用大型未标记文档数据集获得良好的句子级表示。对模型进行微调以成功预测交易量变化表明,该模型捕捉了金融市场的观点,处理监管备案是有益的。分析我们的模型的注意力模式表明,它能够检测到一些迹象的重大信息,没有明确的培训,这是高度相关的投资者,也为市场监管机构的监管任务。
2022-03-28 cs.CL cs.LG q-fin.ST
The Data Efficiency Frontier of Financial Foundation Models: Scaling Laws from Continued Pretraining
Johns Hopkins University(约翰霍普金斯大学)
本文研究了金融基础模型在持续预训练中的数据效率,发现通过较小的词预算可实现有效的领域适应,且大模型规模仍具可行性。
2025-12-13 cs.CL cs.LG
ASDA: Automated Skill Distillation and Adaptation for Financial Reasoning
The University of Hong Kong(香港大学)
ASDA通过迭代误差纠正学习生成结构化技能 artifact,无需修改模型权重,在金融推理任务中实现显著提升,优于无训练基线。
2026-09-09 cs.AI cs.CE cs.CL
HC-RAG: Evidence-Centric Retrieval-Augmented Generation over Heterogeneous Financial Filings
Sun Yat-sen University(中山大学);Central South University(中南大学)
HC-RAG是面向异构金融文件的以证据为中心的分层跨模态RAG框架,通过构建类型化金融证据图、按意图路由证据,在金融问答基准上较RAPTOR、GraphRAG取得显著性能提升。
2026-08-14 cs.CL cs.MM
SAE-FiRE: Enhancing Earnings Surprise Predictions Through Sparse Autoencoder Feature Selection
Georgia Institute of Technology(佐治亚理工学院);New Jersey Institute of Technology(新泽西理工学院)
针对财务文档冗长且含行业术语导致盈利意外预测困难的问题,提出SAE-FiRE框架,利用稀疏自编码器分解表征并结合统计特征选择,在三个数据集上显著提升预测性能。
2025-10-07 cs.CL cs.LG q-fin.CP
Reading Is Not Using: Retrieval, Judgment, and the Design of AI Financial Research Workflows
Carroll School of Management, Boston College(波士顿学院卡罗尔管理学院);Columbia Business School, Columbia University(哥伦比亚大学哥伦比亚商学院)
该研究针对长上下文金融分析中存在的检索-整合缺口,通过实验发现工作流架构会影响LLMs将检索到的风险披露信息整合至投资判断的效果,指出AI分析师表现由模型能力与工作流架构共同决定。
2026-08-26 cs.AI cs.CL
Evaluating Large Language Models (LLMs) in Financial NLP: A Comparative Study on Financial Report Analysis
本文评估了五种基于transformer的LLMs在财务报告分析中的表现,发现模型在不同评估维度上表现各异,需考虑人类主观性和行为差异性。
2026-01-19 cs.AI cs.CE cs.CL
Improving the Completeness and Comparability of Segment Disclosures: A Large Language Model Approach
Rutgers Business School(罗格斯商学院);Rutgers University - Newark(罗格斯大学-新布朗斯维尔回声分校);School of Engineering(工程学院);Stanford University(斯坦福大学);Simon Business School(西蒙商学院);University of Rochester(罗切斯特大学)
本研究开发了一种基于大语言模型的框架,直接从10-K文件中提取分部披露信息,保留可报告和嵌套分部信息,并设计检索增强系统以支持跨公司和跨时间的可比性,从而解决结构化数据库中分部数据的完整性和可比性问题。
2026-04-20 cs.CL cs.IR q-fin.GN
FISHNET: Financial Intelligence from Sub-querying, Harmonizing, Neural-Conditioning, Expert Swarms, and Task Planning
J. P. Morgan AI Research(摩根大通人工智能研究院)
本文提出智能体架构 FISHNET,通过子查询、协调、神经条件化、专家集群与任务规划,从逾9.8万份异构监管文件中生成金融智能,并以消融实验验证其性能优势。
2024-10-25 cs.AI cs.CL cs.IR
FinBloom: Knowledge Grounding Large Language Model with Real-time Financial Data
Indian Institute of Management Ahmedabad(印度管理学院阿赫迈德亚德分校);Aalto University School of Business(阿尔托大学商学院)
FinBloom通过实时金融数据增强LLMs能力,实现高效金融任务处理。
2026-02-27 cs.AI cs.CL cs.IR
The Analyst in the Prompt: Role, Retrieval, and Memory Biases in LLM Financial Analysis
Durham University Business School(杜伦大学商学院);MBZUAI(穆罕默德·本·扎耶德人工智能大学);Ecole Polytechnique(巴黎综合理工学院);HBKU(哈迈德·本·哈利法大学)
该研究针对大语言模型的金融分析场景,发现用户上下文溢出效应主要源于模型角色对证据的解读偏差,提出两种缓解策略但效果因模型而异。
2026-09-04 cs.CE cs.CL q-fin.PM
InvestLM: A Large Language Model for Investment using Financial Domain Instruction Tuning
Hong Kong University of Science and Technology(香港科技大学)
本文提出基于 LLaMA-65B 和高质量金融指令数据集微调的 InvestLM,在专家评价和金融 NLP 零样本基准中表现接近 GPT-3.5、GPT-4 与 Claude-2。
2023-09-15 cs.AI cs.CL cs.LG
FinAuditing: A Financial Taxonomy-Structured Multi-Document Benchmark for Evaluating LLMs
Columbia University(哥伦比亚大学);Stevens Institute of Technology(史蒂文斯理工学院);Rensselaer Polytechnic Institute(拉特格斯理工学院);University of Montreal(蒙特利尔大学);McGill University(麦吉尔大学);MBZUAI(麦吉尔大学人工智能研究所);Cardiff University(卡迪夫大学);The University of Manchester(曼彻斯特大学);Harvard University(哈佛大学)
本文提出FinAuditing,一个基于财务分类结构的多文档基准,用于评估大型语言模型在财务审计任务中的能力,通过三个任务:财务语义匹配、财务关系提取和财务数学推理,揭示了现有LLMs在概念检索、分类感知关系建模和跨文档一致性推理方面的显著差距。
2026-05-17 cs.CE cs.CL cs.IR
PRISM: Prompt-Refined In-Context System Modelling for Financial Retrieval
AI Lens
PRISM通过精细化提示、上下文学习和轻量级多代理协调,提升金融信息检索效率,其简单配置在FinAgentBench上取得NDCG@5 0.71818,为实际应用提供实用指导。
2026-10-22 cs.AI cs.CE cs.CL
Investor Reaction to Financial Disclosures Across Topics: An Application of Latent Dirichlet Allocation
ETH Zurich(苏黎世联邦理工学院);University of Freiburg(弗莱堡大学)
本文提供了一个全面的研究,股票价格如何在不同的主题,在他们的财务披露的反应。因此,我们特别揭示了大量的文件,其中没有一个先验的分类,其内容存在。为此,我们利用数据采掘的方法-即潜在的狄利克雷分配-作为主题建模的手段。这项技术有助于我们对来自美国公司的7万多份监管8-K文件的内容进行事先自动分类。然后,我们评估随后的股票市场反应。我们的经验证据表明,各种类型的新闻报道在其相关性和对金融市场的影响方面存在相当大的差异。例如,我们发现一个统计上显着的异常回报,在响应盈利结果和信用评级,但也披露有关业务战略,卫生部门,以及并购。我们的研究结果表明,应如何构建监管申报文件,以及最有可能在股票估值变化之前出现的主题,从而使管理者、投资者和政策制定者受益。
2018-05-08 cs.CL q-fin.GN
Benchmarking Multi-Agent LLM Architectures for Financial Document Processing: A Comparative Study of Orchestration Patterns, Cost-Accuracy Tradeoffs and Production Scaling Strategies
Department of Computer Science and Engineering(计算机科学与工程系);New York University(纽约大学);New York, NY 10012(纽约市NY 10012)
本文比较四种多代理架构在金融文档处理中的表现,揭示了反射架构在字段级F1得分最高但成本更高,而分层架构在成本准确性帕累托前沿表现最佳,同时展示了语义缓存等策略对性能的影响。
2026-03-24 cs.AI cs.CL cs.LG
Scoring-Rule Sensitivity in LLM Evaluation: Evidence from Indian Financial Regulatory Text
Gyan Ganga Institute of Technology and Sciences(加延加anga科技与科学学院)
本文提出IndiaFinBench,首个公开的评估基准,用于评估大语言模型在印度金融监管文本上的性能,包含406个专家标注的问题-答案对,涵盖四个任务类型,评估十二个模型,发现数值推理任务表现最显著。
2026-10-28 cs.AI cs.CL cs.IR
FinCARDS: Card-Based Analyst Reranking for Financial Document Question Answering
ShanghaiTech University(上海科技大学);The University of Tokyo(东京大学);MBZUAI
FinCARDS通过结构化重排序框架,将财务证据选择转化为在财务意识模式下的约束满足问题,提升长文档问答的稳定性与可追溯性。
2026-04-30 cs.AI cs.CL cs.IR
Fin-PRM: A Domain-Specialized Process Reward Model for Financial Reasoning in Large Language Models
School of Computer Science and Technology, Soochow University(苏州大学计算机科学与技术学院);Qwen DianJin Team, Alibaba Cloud Computing(阿里云量子金融团队)
本文提出领域专用过程奖励模型Fin-PRM,通过步骤级与轨迹级奖励监督评估金融推理中间步骤,在轨迹选择、强化学习和测试时推理上均显著提升LLMs的金融推理性能。
2025-08-21 cs.CL
Reliable Financial Named Entity Recognition Under Domain Shift: Confidence Estimation and Selective Prediction
Washington University in St. Louis(圣路易斯华盛顿大学);Southern Methodist University(南卫理公会大学)
该研究针对领域偏移下的金融命名实体识别,评估BERT等模型的置信度信号,提出先检测严重分布偏移再应用置信度门控的分阶段部署策略,提升了预测可靠性。
2026-08-27 cs.CL
YouZhi: Towards High-Concurrency Financial LLMs via Adaptive GQA-to-MLA Transition
Postal Savings Bank of China & Huawei LLM Team(中国邮政储蓄银行及华为LLM团队);Postal Savings Bank of China(中国邮政储蓄银行);Huawei Technologies(华为技术)
提出YouZhi-LLM,通过层自适应GQA-to-MLA转换框架和基于昇腾的训练流水线,显著压缩KV缓存并提升金融领域高并发推理效率。
2026-06-04 cs.CL
LEDGER: A Long-Context Benchmark of Corporate Annual Reports for Grounded Financial Retrieval and Extraction
Artefact Research Center(Artefact 研究中心);MICS, CentraleSupélec, Université Paris-Saclay(巴黎萨克雷大学中央理工高等电力学院 MICS 实验室);Ardian
提出LEDGER基准,包含4,999份数字化公司年报,用于评估大语言模型在长上下文金融任务中的表现,涵盖KPI检索、单值查找和全量提取任务。
2026-06-12 cs.CL
Answer-then-Edit: Reasoning Skeleton Editing for Anti-Distillation with Preserved Utility
School of Computer Science and Engineering, UNSW Sydney(新南威尔士大学计算机科学与工程学院);School of Artificial Intelligence, Shenzhen University(深圳大学人工智能学院)
针对专有大语言模型易受知识蒸馏影响的问题,提出骨架引导推理编辑框架SGRE,通过先回答再编辑的方式,借鉴认知负荷理论对推理痕迹进行修改,在降低蒸馏效果的同时保持推理准确性和痕迹自然度。
2026-07-24 cs.AI cs.CL
What do LLMs Know about Financial Markets? A Case Study on Reddit Market Sentiment Analysis
The Ohio State University(俄亥俄州立大学);Google Research(谷歌研究院)
对社交媒体内容进行市场情感分析需要了解金融市场和社交媒体术语,这对人类评级人员来说是一项具有挑战性的任务。由此导致的高质量标记数据的缺乏阻碍了传统的监督学习方法。相反,我们使用带有大语言模型(LLM)的半监督学习来解决这个问题。我们的管道为具有LLM的Reddit帖子生成弱金融情绪标签,然后使用这些数据来训练一个可以在生产中使用的小模型。我们发现,促使LLM产生思想链摘要,并迫使它通过几个推理路径有助于生成更稳定和准确的标签,而使用回归损失进一步提高蒸馏质量。只有少量提示,最终模型的性能与现有的监督模型相当。虽然我们的模型的生产应用受到道德因素的限制,但该模型的竞争力表现表明,使用LLM进行其他需要技能密集型注释的任务具有巨大潜力。
2022-12-21 cs.AI cs.CL cs.LG
HiFi-KPI: A Dataset for Hierarchical KPI Extraction from Earnings Filings
Department of Computer Science, Aalborg University(奥尔堡大学计算机科学系);ALIPES ApS(ALIPES公司);University of Copenhagen(哥本哈根大学);Pioneer Centre for AI(先锋人工智能中心)
针对财报中关键绩效指标(KPI)跨公司可迁移性差的问题,提出包含165万段落和19.8万层次化标签的HiFi-KPI数据集,并评估分类、提取和结构化提取三个任务。
2026-08-21 cs.AI cs.CL
FinReportBench: Measuring and Improving Institution-Grade Financial Report Generation
本文提出FinReportBench基准,发现大型语言模型生成机构级财务报告的瓶颈在于报告身份认同与机构完整性,通过基准引导的技能蒸馏可显著提升模型相关指标。
2026-08-06 cs.AI cs.CL
Financial Risk Relation Identification through Dual-view Adaptation
National Taiwan University(国立台湾大学);Academia Sinica(学术院)
本文提出通过双视角适应方法,利用10-K文件提取企业间的风险关系,提升金融风险分析的自动化与准确性。
2025-11-27 cs.AI cs.CL
From Clicks to Intent: Cross-Platform Session Embeddings with LLM-Distilled Taxonomy for Financial Services Recommendations
Capital One
针对金融服务中网页匿名浏览与移动端登录行为差异导致的意图信号利用不足问题,提出自监督Transformer编码会话嵌入与LLM提炼分类法生成可解释标签的双用途框架,在移动端首页排序和用户转化预测任务上显著提升性能。
2026-10-15 cs.AI cs.CE cs.CL
Mint-Agent: Introducing Finance-Native Agentic Foundation Models
本研究提出金融原生智能体模型Mint-Agent,通过三大支柱开发出Mint-Cu(9B)和Mint-Ag(27B),在多个金融基准测试中展现出优异的可靠性与可执行性,为可信金融智能提供了新路径。
2026-08-24 cs.CL cs.LG
FinSAgent: Corpus-Aligned Multi-Agent RAG Framework for Evidence-Grounded SEC Filing Question Answering
1SimpleWay.AI 2McGill University 3University of Toronto 4University of California, Los Angeles 5The Chinese University of Hong Kong 6University of Manitoba 7Universit\'e de Montr\'eal 8Boston University 9Mila - Quebec AI Institute 10CG Matrix Technology Limited 11Lakehead University 12McMaster University
研究针对美国证券交易委员会文件问答中模型与文件不匹配问题,提出FinSAgent框架,通过角色专用智能体、数据库感知查询分解及多路径检索等方法,提升检索覆盖和答案正确性,在离线和在线实验中均优于基线。
2026-07-22 cs.CL cs.IR cs.MA
Demystifying Domain-adaptive Post-training for Financial LLMs
Salesforce AI Research(Salesforce人工智能研究)
针对金融领域大语言模型领域自适应后训练缺乏最优策略的问题,提出包含能力定义、训练方案、数据集与评估套件的FINDAP框架,产出的Llama-Fin模型在多项金融任务上达SOTA,为领域适配提供参考。
2025-10-22 cs.AI cs.CE cs.CL
MarketSenseAI 2.0: Enhancing Stock Analysis through LLM Agents
George Fatouros 1,2(乔治·法图罗斯(1,2));Kostas Metaxas 1,3(科斯塔斯·梅塔克斯(1,3));John Soldatos 2(约翰·索拉托斯(2));Manos Karathanassis 3(曼纳斯·卡拉塔西斯(3))
本研究提出结合检索增强生成与LLM智能体的MarketSenseAI 2.0框架,处理多类金融数据支持股票分析,在标普100、500股票上收益和风险表现均优于市场,推动LLM在金融分析领域的应用。
2025-10-03 cs.AI cs.CL cs.MA
Decomposing Retrieval Failures in RAG for Long-Document Financial Question Answering
本文针对长文档金融问答中的检索失败问题,提出一种基于页面的分层检索方法,通过微调双编码器提升页面和片段的检索效果。
2026-02-20 cs.CL cs.IR
Efficient Financial Language Understanding via Distillation with Synthetic Data
School of Engineering Mathematics and Technology(工程数学与技术学院);University of Bristol(布里斯托大学)
提出一种在低资源条件下通过合成数据蒸馏进行金融情感分析的框架,利用聚类种子选择生成代表性合成数据,使紧凑模型在少量标注下达到强性能,甚至在某些任务上超越教师模型。
2026-06-18 cs.CL
IGT @ FinMMEval 2026 Task 2: Question-Type Prompting with Targeted Extraction for Multilingual Financial QA
Georgia Institute of Technology(佐治亚理工学院)
提出IGT系统,针对多语言金融问答,按题型区分结构化数值抽取与综合新闻选择,开发集ROUGE-1达0.395,测试集排名第三。
2026-09-09 cs.AI cs.CL
Data-Centric Post-Training for Financial Reasoning: Mining, Distillation, and Verifiable Learning
本文提出一种数据中心后训练流水线,通过挖掘、蒸馏和知识图谱生成构建金融推理语料,并采用自蒸馏SFT和模型合并等保留感知方法,在FINESSE-Bench上提升金融推理性能,避免普通SFT的退化。
2026-09-10 cs.CL
Towards Expert Financial QA via Self-Improving RAG
University of California, Berkeley(加州大学伯克利分校);California Polytechnic State University(加州州立理工大学);Hofstra University(霍夫斯特拉大学)
该研究针对专家级金融问答的合规与防幻觉需求,提出自改进RAG框架,通过三个专门智能体及反馈自校正实现,在FinanceBench数据集上获86%神谕引导准确率,为金融监管应用提供可解释方案。
2026-09-24 cs.CL
PARSE: Provenance-Aware Retrieval Sanitization for Professional Domain LLM Agents
Data Science Institute(数据科学研究所)
针对真实企业文档中提示注入攻击难以防御的问题,提出PARSE方法,通过分类句子注入可能性、提取结构化事实并验证一致性,将攻击成功率从25.4%降至15.6%,同时保持86.9%的实用性。
2026-09-15 cs.CL cs.CR
FinNLI: Novel Dataset for Multi-Genre Financial Natural Language Inference Benchmarking
University of Oxford(牛津大学);JPMorgan AI Research(摩根大通人工智能研究院)
本文提出金融自然语言推理基准数据集FinNLI,含21,304对样本,评估显示领域迁移降低性能,LLMs最高宏F1为78.62%,暴露金融推理弱点。
2025-04-22 cs.AI cs.CL cs.LG
Enhancing TinyBERT for Financial Sentiment Analysis Using GPT-Augmented FinBERT Distillation
本文提出利用GPT-4 Omni生成领域数据增强FinBERT,并通过两层知识蒸馏策略训练紧凑模型TinyFinBERT,在金融情感分析中实现与FinBERT相当的性能且效率更高。
2024-09-19 cs.CL cs.LG
Confidently Wrong: Detecting Hallucinations in Financial Question Answering from LLM Internal States
St. John Fisher University(圣约翰费舍尔大学)
研究金融应用中LLMs自信却错误答案(自信幻觉)的检测,通过在残差流训练线性探测器并在FinQA和TAT-QA基准评估,发现探测器检测幻觉优势明显,可作为经济高效分类机制用于高风险金融应用答案审查。
2026-10-15 cs.CL
FinGEAR: Financial Mapping-Guided Enhanced Answer Retrieval
The University of Edinburgh(爱丁堡大学);University of Aveiro(阿维罗大学);National Technical University of Athens(雅典技术大学);Archimedes/Athena Research Centre(阿基米德/雅典研究中心);The Artificial Intelligence Applications Institute, The University of Edinburgh(人工智能应用研究所,爱丁堡大学)
针对10-K等财务披露文件的检索难题,提出FinGEAR检索框架,结合金融词典、双重层级索引与两阶段重排序器,显著提升了检索指标与下游答案准确率。
2025-09-15 cs.CE cs.CL
FinMTEB: Finance Massive Text Embedding Benchmark
The Hong Kong University of Science and Technology(香港科技大学)
本文提出金融领域文本嵌入基准FinMTEB及适配模型Fin-E5,通过评估15个模型发现通用基准与金融任务相关性有限、领域适配模型更优且简单BoW在STS任务中胜过密集嵌入。
2025-09-12 cs.CL cs.IR
Agentic Retrieval-Augmented Generation for Financial Document Question Answering
College of Computer Science and Technology, Zhejiang University(浙江大学计算机科学与技术学院)
本文提出FinAgent-RAG框架,通过迭代检索-推理循环和自我验证,提升金融文档问答的精度。引入对比金融检索器、程序化思维模块和自适应策略路由,实验表明在三个基准数据集上均取得显著效果,准确率提升5.62-9.32个百分点。
2026-07-07 cs.AI cs.CL
Enhancing Financial Question Answering: A Novel Benchmark Dataset of Banks' financial statements
针对银行财务报表对比分析的挑战,本文构建了新型金融问答基准数据集FinRAG-QA,评估多阶段RAG流水线各组件,提升了检索与问答性能。
2026-09-09 cs.AI cs.CE cs.CL
FinGround: Detecting and Grounding Financial Hallucinations via Atomic Claim Verification
The University of Hong Kong(香港大学);Stellaris AI Limited(Stellaris AI有限公司)
FinGround通过三阶段验证-支撑流程,针对金融文档问答中的计算错误进行验证和修正,有效降低幻觉率,其在金融领域具有重要应用价值。
2026-04-26 cs.AI cs.CL cs.IR
Improving NER's Performance with Massive financial corpus
训练大型深度神经网络需要大量高质量的标注数据,但时间和人力成本对于小型企业来说过于昂贵。我们从一个小规模、低质量的训练数据开始进行公司名称识别任务,然后使用技巧来提高模型的训练速度,并以最小的人力成本来预测性能。我们使用的方法包括在金融语料库中预训练一个简单的语言模型,如Albert-small或Electra-small,知识的提取和多阶段学习。实验结果表明,该模型的召回率提高了近20个百分点,比BERT-CRF模型快4倍。
2020-07-31 cs.CL cs.LG