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
Large Language Models for Financial Aid in Financial Time-series Forecasting
University of Virginia(弗吉尼亚大学);School of Data Science, University of Virginia(弗吉尼亚大学数据科学学院)
针对金融援助时间序列数据稀缺、维度高的问题,本文基准评估以GPT-2为骨干的预训练LLM、transformer和线性模型,证明其在少样本或零样本设置下可超越传统方法。
2024-10-24 cs.AI cs.LG
Regex-augmented Domain Transfer Topic Classification based on a Pre-trained Language Model: An application in Financial Domain
Manulife(宏利金融);University of Waterloo(滑铁卢大学)
本文提出在金融领域文本分类中,将正则表达式模式作为领域知识特征引入预训练语言模型微调过程,并结合注意力网络,实验证明该方法优于仅用领域文本微调和线性层的方法。
2023-05-23 cs.AI cs.CL
Making Alternative Data Work: Context-Augmented LLMs for Financial Forecasting
LinqAlpha;Carbon Arc;Kalshi;J.P. Morgan(摩根大通);Standard Chartered(渣打银行);Google(谷歌);Causeway Capital;MIT(麻省理工学院);University of Florida(佛罗里达大学);UNIST(蔚山科学技术院)
本研究提出一个双智能体框架,利用上下文学习将另类数据与财务信息整合进大语言模型,以提升企业收入预测的准确性,实验证明该方法优于单一数据源和标准基线。
2026-09-11 cs.AI
FinAcumen: Financial Multimodal Reasoning via Self-Evolving Experience Memory Harness
Beijing University of Posts and Telecommunications(北京邮电大学);Queen Mary University of London(伦敦玛丽女王大学)
提出FinAcumen框架,通过选择性经验记忆机制增强工具增强型多模态推理,在四个金融基准上持续提升冻结的8B视觉语言模型性能。
2026-09-15 cs.AI
Automated Summarization of Financial News Using Large Language Models and Retrieval-Augmented Generation: An Early Empirical Study (Fall 2023)
George Washington University(乔治·华盛顿大学)
该2023年秋的研究构建了结合LLM与RAG的财经新闻摘要流程,测试多种模型与方法,发现Summarize Chains的Falcon-7B表现最优,RAG存在缺陷,且相关失效模式至今仍具参考价值。
2026-08-21 cs.AI cs.CL cs.IR
Towards Temporal-Aware Multi-Modal Retrieval Augmented Generation in Finance
National University of Singapore(新加坡国立大学);Peking University(北京大学);University of Science and Technology of China(中国科学技术大学);Estates Pte Ltd(6Estates私人有限公司)
针对金融领域时间感知多模态RAG评估空白,提出FinTMMBench基准与TMMHybridRAG方法,验证了时间信息在提升检索增强生成效果中的关键作用。
2025-08-03 cs.AI cs.MM q-fin.CP
Text2TimeSeries: Enhancing Financial Forecasting through Time Series Prediction Updates with Event-Driven Insights from Large Language Models
Institute for Infocomm Research, A*STAR(新加坡科技研究局信息通信研究院);IIIT Hyderabad(印度信息技术研究所海得拉巴分校);Westlake University(西湖大学)
本文提出Text2TimeSeries框架,利用大语言模型从事件文本中提取未来变化洞察,以更新数值时间序列预测,并在金融市场数据上验证了其有效性。
2024-07-04 cs.AI cs.CL cs.LG
Mitigating Hallucination in Financial Retrieval-Augmented Generation via Fine-Grained Knowledge Verification
本文提出RLFKV框架,通过细粒度知识验证和信息量奖励,缓解金融RAG系统中的幻觉问题,提升响应准确性与一致性。
2026-02-05 cs.AI
Agentic AI, Retrieval-Augmented Generation, and the Institutional Turn: Legal Architectures and Financial Governance in the Age of Distributional AGI
本文探讨代理AI与检索增强生成对法律问责和金融市场完整性的影响,主张通过制度设计问题重构对齐机制,以构建合规行为主导的机构环境。
2026-02-20 cs.AI cs.CE cs.CY
JSI at the FinSim-2 task: Ontology-Augmented Financial Concept Classification
Jožef Stefan Institute(约瑟夫·斯特凡研究所);Jožef Stefan International Postgraduate School(约瑟夫·斯特凡国际研究生院)
在过去的几年里,本体越来越多地用于机器推理。它们可以提供概念的解释,或者如果存在从期望的标签到相关本体的映射,则用于概念分类。使用本体的另一个优点是它们不需要学习过程,这意味着我们在使用它们之前不需要训练数据或时间。本文提出了一个实际使用的本体的分类问题,从金融领域。它首先将一个给定的本体转换为一个图,并进行泛化,目的是找到金融概念的输入集的共同语义描述。我们提出了一个解决方案的共享任务学习语义相似性的金融领域(FinSim-2任务)。我们的任务是设计一个系统,可以自动分类的概念,从金融领域到最相关的上位概念在外部本体-金融行业业务本体。我们提出了一种方法,将给定的概念映射到所提到的本体,并进行图搜索最相关的上位词。我们还采用了一个词向量化方法和一个机器学习分类器,以补充该方法与每个概念的标签的排名列表。
2021-06-17 cs.AI
A Multimodal Foundation Agent for Financial Trading: Tool-Augmented, Diversified, and Generalist
Nanyang Technological University(南洋理工大学);National University of Singapore(新加坡国立大学);Zhejiang University(浙江大学)
本文提出FinAgent,一个融合多模态数据处理、工具增强与双层反思记忆机制的基础智能体,在6个金融数据集上显著超越9个基线,实现利润平均提升超36%。
2024-06-28 cs.AI q-fin.TR
Extending the UXR Point of View Pyramid: A Generative AI-Augmented Methodology for Human-Centred AI Systems
School of Computing and Engineering, Bournemouth University(伯恩茅斯大学计算机与工程学院)
针对英国债务管理中的AI金融系统,通过扩展UXR观点金字塔,提出一种结合生成式AI的增强方法论,包括AI增强观点金字塔、结构化提示架构和AI驱动的Playbook卡片系统,以提升可解释性、公平性和问责性。
2026-05-29 cs.AI cs.HC
Entropic Dynamic Time Warping Kernels for Co-evolving Financial Time Series Analysis
Central University of Finance and Economics(中央财经大学);Hefei University(合肥大学);Xiamen University(厦门大学);University of York(约克大学)
在这项工作中,我们开发了一个新的框架来衡量动态金融网络之间的相似性,即,时变金融网络特别是,我们探讨是否建议的相似性度量可以用来了解金融网络随时间的结构演化。对于一组时变金融网络,其中每个顶点表示不同股票的单个时间序列,并且一对时间序列之间的每个边表示其Pearson相关性的绝对值,我们的出发点是计算与网络结构的加权邻接矩阵相关联的通勤时间矩阵,其中矩阵的每个元素可以被视为成对股票之间的增强的相关值。对于每个网络,我们展示了通勤时间矩阵如何使我们能够识别一组可靠的显性相关时间序列以及属于该组的股票的相关显性概率分布。此外,我们将每个原始网络表示为从主导概率分布计算的离散主导香农熵时间序列。在经典动态时间规整框架的基础上,利用每对金融网络的主导熵时间序列,提出了一种用于分析金融时变网络的相似性度量方法。我们表明,建议的相似性度量是正定的,从而对应于图上的核测度。提出的内核之间的桥梁图内核和经典的动态时间弯曲框架多金融时间序列分析的差距。在纽约证券交易所(NYSE)数据库中提取的时变网络上的实验证明了该方法的有效性。
2019-10-21 cs.AI cs.CE cs.LG
Retrieval-augmented generation vs. deterministic tax computation in multi-agent financial advisory: A 2x2 factorial experiment
Royal Bank of Canada(加拿大皇家银行);RBC Borealis
通过2×2析因实验发现,为多智能体金融咨询系统配备RAG与定制税费引擎,仅税费引擎会显著降低税费节省,仅RAG时表现最优,说明LLM内化金融知识或已足够,无需额外工具。
2026-08-26 cs.AI
EXAONE Finance 1.0: An Attention-free Time Series Foundation Model for Financial Time Series
LG AI Research(LG人工智能研究院)
本研究提出专为金融预测定制的时间序列基础模型EXAONE Finance,采用无注意力线性时间算子架构,在基准FinVerse上取得最优性能。
2026-09-09 cs.AI cs.LG
Comparative study of Financial Time Series Prediction by Artificial Neural Network with Gradient Descent Learning
金融预测是信号处理问题的一个例子,由于小样本、高噪声、非平稳性和非线性,而股票市场价格的快速预测对于企业的战略规划是非常重要的,本研究的目的是建立一个比较预测模型,前馈多层人工神经网络,用于金融时间序列预测的递归时间延迟神经网络。这项研究是在GoogleFinance提供的历史股票价格数据集的帮助下开发的。为了开发这种预测模型,采用了具有梯度下降学习的反向传播方法。最后,神经网络,学习与所述算法被发现是熟练的预测非平稳噪声金融时间序列。
2012-01-31 cs.AI cs.NE
DELPHYNE: A Pre-Trained Model for General and Financial Time Series
Carnegie Mellon University(卡内基梅隆大学);Bloomberg(彭博)
针对现有时间序列预训练模型因金融数据不足和跨域负迁移而难以超越简单金融基准的问题,本文提出 Delphyne,仅需少量微调即可在公开数据集和多种金融任务上取得竞争优势。
2025-05-12 cs.AI cs.LG q-fin.ST
LENS: Large Pre-trained Transformer for Exploring Financial Time Series Regularities
The Hong Kong University of Science and Technology (Guangzhou)(香港科技大学(广州));City University of Hong Kong(香港城市大学);Peking University(北京大学)
针对金融时间序列高噪声、低信噪比导致传统预训练失效的问题,提出 LENS 模型,以定制架构和可逆嵌入捕捉随机规律,并经理论分析与千亿观测预训练验证其广泛下游性能。
2025-10-21 cs.AI cs.LG
Enhancing Mean-Reverting Time Series Prediction with Gaussian Processes: Functional and Augmented Data Structures in Financial Forecasting
Microsoft(微软)
针对金融均值回复时间序列长期预测与不确定性建模问题,本文用GPs结合函数型和增强数据结构,在模拟噪声、厚尾及核失配环境下验证其分布预测能力。
2024-02-23 cs.AI cs.LG q-fin.ST
FinZero: Launching Multi-modal Financial Time Series Forecast with Large Reasoning Model
Tsinghua University(清华大学);Pengcheng Laboratory(鹏城实验室);Guangming Laboratory(光明实验室);Ant Group(蚂蚁集团);Columbia University(哥伦比亚大学);Southern University of Science and Technology(南方科技大学)
针对金融时间序列预测中信息丢失、可扩展性受限及不确定性分析不足的问题,本文构建FVLDB数据集并提出UARPO方法,微调多模态模型FinZero,实现推理、预测与不确定性分析,较GPT-4o准确率提升约13.48%。
2025-09-10 cs.AI q-fin.CP
Multi-Modal Financial Time-Series Retrieval Through Latent Space Projections
J.P. Morgan AI Research(摩根大通人工智能研究院)
提出基于深度编码器的潜在空间投影框架,将多模态金融时间序列数据降维存储,支持自然语言和草图查询,在真实与合成数据上验证了计算效率和准确性优势。
2024-01-02 cs.AI cs.HC cs.LG
Financial time series augmentation using transformer based GAN architecture
Faculty of Electronics and Information Technology, Warsaw University of Technology(电子与信息技术学院,华沙技术大学)
本文提出基于变换器的GAN架构,通过生成合成数据增强金融时间序列,提升深度学习预测模型的准确性。
2026-02-19 cs.AI cs.LG
Multivariate Financial Forecasting using the Chronos Time Series Foundation Models
Santa Clara University(圣克拉拉大学)
本文利用Chronos-2开源时间序列基础模型,评估多元输入相对于单变量基线在金融预测中的准确性提升,发现多元预测一致优于单变量,尤其在利率和股票市场中表现显著。
2026-05-08 cs.AI q-fin.ST
FinCast: A Foundation Model for Financial Time-Series Forecasting
School of Computer Science(计算机科学系);The University of Sydney(悉尼大学)
本文提出首个面向金融时间序列预测的基础模型 FinCast,通过大规模金融数据训练,在无需领域特定微调的情况下实现强大零样本预测性能,超越现有最先进方法。
2025-08-27 cs.AI cs.LG q-fin.CP
FinVerse: Toward More Realistic Evaluation for Financial Time-Series Forecasting
本研究推出金融时间序列预测基准FinVerse,其针对43个公开时间序列基础模型的分析显示,通用预测标准下的优异表现未必对应实用金融预测,凸显了领域感知基准的必要性。
2026-10-26 cs.AI cs.LG
DDPG based on multi-scale strokes for financial time series trading strategy
Beijing University Of Technology(北京工业大学)
随着人工智能的发展,越来越多的金融从业者将深度强化学习应用于金融交易策略,但由于单尺度时间序列噪声大、非平稳性强、非线性等特点,难以提取准确的特征,难以获得高收益。根据经典的金融理论--Chan理论,在金融时间序列的多个时间尺度上提取多尺度特征矩阵,提出了一种多尺度笔划深度确定性策略梯度强化学习模型(MSSDPG)方法为了寻找最优的交易策略,我们在美国道琼斯指数、标准普尔500指数和中国沪深300指数、上证综指数据集上进行了实验,并与海龟交易策略、深度Q学习(DQN)强化学习策略、实验结果表明,该方法在沪深300、上证综合指数上取得了较好的效果,在美国道琼斯、标普500指数上取得了较好的效果。
2022-06-05 cs.AI cs.LG q-fin.TR
StockEmotions: Discover Investor Emotions for Financial Sentiment Analysis and Multivariate Time Series
The University of Sydney(悉尼大学);The University of Western Australia(西澳大学);KPMG Australia(毕马威澳大利亚)
本文提出StockEmotions数据集,包含来自StockTwits的1万条评论和12类细粒度投资者情绪,实验表明DistilBERT在情感分类中表现最佳,而融合价格、文本与情绪的时序注意力LSTM在多元时间序列预测中效果最优。
2023-02-06 cs.AI cs.CL cs.LG
A Financial Time Series Denoiser Based on Diffusion Model
King’s College London(伦敦国王学院)
本文提出利用条件扩散模型对金融时间序列进行去噪,以提升数据可预测性和交易表现,实验表明去噪数据能改善收益分类、提高交易效率并识别市场加噪状态以获取超额收益。
2024-09-02 cs.AI cs.LG q-fin.CP