今天是2024年4月16日，星期二，北京，天气晴。

我们来继续关注大模型相关的技术进展，先来看社区昨日进展报告，最近出现了许多报告类型的整理工作，并且工作的重心也逐步转移到文档智能方向，早报如下：

而除此之外，我们再来看看两个有趣的工作，一个是关于大模型用于股票金融分析，其中用到了RAG。另一个是大模型用于图表理解，最近在做相关的工作，所以也一并整理出来，供大家一起参考并思考。

一、大模型+RAG用于股票金融分析框架Stock-chain‍‍‍‍‍‍

我们来看看一个RAG来做金融分析任务。金融分析任务主要包括两个关键领域，股票走势预测和相应的金融问题解答。目前，机器学习和深度学习算法（ML&DL）已被广泛应用于股票走势预测，并取得了显著进展，但这些方法无法提供预测理由，缺乏可解释性和推理过程，也无法整合金融新闻或报告等文本信息。

而当下大型模型（LLM）具有出色的文本理解和生成能力受到广泛关注，但由于金融训练数据集的稀缺以及与实时知识的整合有限，仍然存在幻觉，无法跟上最新的信息。

例如上图所示，以金融分析任务为例，包括股票走势预测和金融问答。传统的ML&DL方法只能提供不确定的预测（涨/跌），没有任何依据，而原始的LLM可以提供预测分析，但没有任何帮助。

最近的工作 《AlphaFin: Benchmarking Financial Analysis with RetrievalAugmented Stock-Chain Framework》(https://arxiv.org/pdf/2403.12582.pdf,https://github.com/AlphaFin-proj/AlphaFin) ，该工作做了2件事：

一个是发布了用于微调 FinLLM的AlphaFin，其中包含传统研究数据集、实时财务数据和手写CoT数据。

另一个是提出了与RAG集成的Stock-Chain框架，该框架可以为投资者提供股票走势预测，并通过RAG整合实时市场数据和宏观经济新闻，从而完成股票分析，在具体实现上，其基于AlphaFin数据集对StockGPT进行微调，并将其集成到Stock-Chain框架中，并通过RAG进一步与实时金融数据库集成，以解决LLM输出的幻觉以及LLM无法生成实时内容的问题。

1、先看数据部分

如下图所示，数据集包括Research研究数据集、StockQA数据集、金融新闻数据集以及财务报告数据集四个部分：

其中：

Research研究数据集：这部分包括来自学术界的传统金融数据集，包括FPB、FinQA、convFinQA以及Headline，以增强大模型的信息提取和总结能力。在这部分数据上，传统的研究数据集主要是英文的，而且数量很大。为了提升LLM们的中文能力，保证质量进行微调，只从源头抽取了一部分。

StockQA数据集：这部分包含来自Tushare和AKshare的股价和其他财务数据，使用顺序数据格式，例如股票价格趋势（例如{...,170,173,171,175,173,170,...}）。但鉴于源数据以顺序格式呈现，使用ChatGPT并按以下提示生成财务问题，以增强多样性，随后，我们使用ChatGPT生成回复并获取用于训练LLM的问答对，对应的prompt如下：

Based on the ..., give me a good financial question. Input: <sequential data>, Output: <Question>.

金融新闻数据集：为了向大模型提供真实世界的金融知识，整合了在线新闻来源，例如中央电视台和华尔街CN的金融版块，在数据处理上，使用Chat-GPT提取每条新闻的摘要，并构建财经新闻数据集，从而提升摘要能力。

财务报告数据集：通过DataYes构建财务报告数据集（DataYes，2021），包括机构对公司进行的专业分析和知识。在数据处理上，手动对齐公司的财务报告及其报告发布当天的股价，并使用以下模板生成最终数据，并还手动创建200份具有专业财务知识和较长标签的财务报告CoT数据，对应的prompt如下：

 According to ...  conclusions can be drawn: 
 1.  Fundamentals:  ...
2.  Technical aspects:  ...
   Therefore, we predict the ...  is
   <up/down>, probability:  <Prob>

2、再看架构部分Stock-Chain Framework

财务分析任务可以被视为两个对应部分，即股票趋势预测和相应的财务问答，因此Stock-Chain框架分为两个阶段，一个Stock Trend Prediction，另一个是Retrieval-Augmented Q&A，如下图所示：

第一阶段是股票走势预测，给定一家公司ci和相应的文档dj，该阶段通过结合LLM和AlphaFin数据集维护一个股票预测系统φ，给出股票趋势预测Predi。

其中：

对于第一阶段Stock Trend Prediction，任务很有趣，其给定一组公司C和相应的知识文档D，以预测涨跌：

其目标是从中找出一组能涨的公司子集C chosen:

这一步涉及到知识文档D的处理，在实现上，其给定一个公司ci，首先检索它的相关文档dj。 然后，设计一个提示模板Prompt进行组装，例如：

Please predict the rise and fall of the stock next month based on the research reports and data pro-vided below. Please provide a clear answer, either “up" or “down". <re-port><market data>

然后，利用AlphaFin的所有财务报告数据集进行训练，并利用手动创建的报告CoT数据集来进一步微调，微调过程均采用LoRA，通过这两个步骤的微调，得到StockGPTstage1，能够预测基于dj的ci的趋势，并提供详细的分析和解释。

第二个阶段Retrieval-Augmented Q&A，将多轮对话会话视为两个对话者之间的几个查询-回复对的序列。 具体的，将Qt和Rt表示为当前时间步t处的用户查询和代理回复，并将Ht=[Q0, R0, ..., Qt−1, Rt−1] 表示为对话历史记录，然后我财务问答任务形式化为根据当前查询、对话历史记录和相应文档获取回复，因此，该部分的任务可以形式化为：给定对话历史Ht、用户查询Qt以及检索到的与Qt相关的文档dj，对话系统π给出回复Rt。

在具体实现上：

在向量数据库构建侧，使用ChatGPT进行粗粒度文档级摘要，以及通过RefGPT 进行细粒度实体级对话生成，如下：sk表示dk的摘要，(qk_, ak_) 表示生成对话的查询-答案对，qk_是一个问题。

在向量化embedding侧，采用BGE进行嵌入表示；

在数据更新侧，报告可以不断实时加入。

接着，继承StockGPTstage1作为基础LLM，然后继续在AlphaFin的研究数据集、财经新闻和StockQA数据集上训练StockGP Tstage1以获得StockGPTstage2，对应的prompt为：

You are an intelligent assistant, please answer my question. To help you ... local knowledge base is pro- vided as follows: <knowledge> Now, answer the question...: <his-tory><query>

然后，将prompt、检索到的知识、对话历史记录和用户查询进行连接，以获得大模型的输入 It，并将其输入StockGPT，得到回复Rt。

3、最后看效果

通过计算年华回报率以及涨跌预测准确率的评估，可以看到一些有趣的现象，例如xgboost依然很抗打。

也可以看看其最终效果：

二、大模型与图表理解相结合的工作

我们再来看看大模型与图表理解的工作，可以在地址https://github.com/khuangaf/Awesome-Chart-Understanding中找到模型与图表的一些结合工作，我们重点关注这块：

1、ChartLlama

《ChartLlama: A Multimodal LLM for Chart Understanding and Generation》，该工作在利用GPT-4创建了一个指令调优数据集，并基于LLaVA-1.5训练了个模型。

地址：https://arxiv.org/abs/2311.16483

2、MMC

《MMC: Advancing Multimodal Chart Understanding with Large-scale Instruction Tuning》引入了一个大规模多模式图表指令（MMC-Instruction）数据集，包含60万个实例，并开发了多模态图表助手 (MMCA)。

地址：https://arxiv.org/abs/2311.10774

3、ChartAssisstant

《ChartAssisstant: A Universal Chart Multimodal Language Model via Chart-to-Table Pre-training and Multitask Instruction Tuning》提出了提出了ChartAssistant，特点在于经历了两个阶段的训练过程，首先是图表到表格解析的预训练，以对齐图表和文本，然后是多任务指令和微调，如下所示：

效果如下：

地址：https://arxiv.org/abs/2401.02384

4、ChartInstruct

《ChartInstruct: Instruction Tuning for Chart Comprehension and Reasoning》引入了ChartInstruct：一种新颖的图表特定视觉语言指令微调数据集，包含由71K图表生成的191K指令。

此外，该工作提出了两种不同的实现方案，用于在此类数据集上进行指令微调：一个是将用于图表理解的视觉编码器与大模型连接起来的端到端模型，另一个是pipeline模型，采用两步方法提取图表数据表并将其输入到大模型中。

地址：https://arxiv.org/abs/2403.09028

5、ChartX & ChartVLM

《ChartX & ChartVLM: A Versatile Benchmark and Foundation Model for Complicated Chart Reasoning》，该工作构建了ChartX，一个涵盖18个图表类型、7 个图表任务、22个学科主题和高层次模型的多模态评估集。

地址：https://arxiv.org/abs/2402.12185

总结

本文主要介绍了两个工作，一个是大模型与金融分析的工作，另一个是大模型与图表理解相关的结合工作，但后者的重点都是在做图表数据挖掘，这也说明了数据工程的重要性。