FINMEM：一种具有分层记忆和角色设计的性能增强型 LLM 交易智能体

"So we beat on, boats against the current, borne back ceaselessly into the past."
                                        -- F. Scott Fitzgerald: The Great Gatsby

本仓库提供了以下论文的 Python 源代码： FINMEM: A Performance-Enhanced Large Language Model Trading Agent with Layered Memory and Character Design [PDF]

@misc{yu2023finmem,
      title={FinMem: A Performance-Enhanced LLM Trading Agent with Layered Memory and Character Design}, 
      author={Yangyang Yu and Haohang Li and Zhi Chen and Yuechen Jiang and Yang Li and Denghui Zhang and Rong Liu and Jordan W. Suchow and Khaldoun Khashanah},
      year={2023},
      eprint={2311.13743},
      archivePrefix={arXiv},
      primaryClass={q-fin.CP}
}

📢 更新 (2024-01-16)

🚀 我们很高兴地宣布，我们的论文“FINMEM: A Performance-Enhanced LLM Trading Agent with Layered Memory and Character Design”已被 AAAI 人类学习春季研讨会（AAAI Spring Symposium on Human-Like Learning）选为扩展摘要！

📢 更新 (2024-03-11)

🚀 我们很高兴地宣布，我们的论文“FINMEM: A Performance-Enhanced LLM Trading Agent with Layered Memory and Character Design”已被 ICLR LLM Agents 研讨会接收！

📢 更新 (2024-06-16)

🎉 感谢 IJCAI2024 挑战赛“金融大模型挑战赛（FinLLM）”的所有参与者和组织者。我们的团队 FinMem 非常高兴能为任务 3：单只股票交易（Single Stock Trading）做出贡献。

随着挑战赛于 2024 年 6 月 15 日圆满结束，我们回顾了整个过程中获得的创新方法和见解。共有 12 支队伍参赛，每支队伍都为金融 AI 和大语言模型（LLM）的前沿带来了独特的视角和解决方案。

我们诚邀社区继续与我们互动，期待在该激动人心的领域开展进一步的交流与合作。

大语言模型（LLM）的最新进展在各领域的问答（QA）任务中表现出了显著的功效。它们整合海量网络知识的能力激发了人们对开发基于 LLM 的自主智能体的兴趣。虽然 LLM 在解读人类指令和通过全面处理历史输入得出解决方案方面非常高效，但要转型为目标驱动的智能体，则需要辅助性的理性架构来处理多源信息、建立推理链并优先处理关键任务。为此，我们引入了 FinMem，这是一种专为金融决策设计的创新型 LLM 智能体框架，包含三个核心模块：Profiling（配置），用于概述智能体的特征；Memory（记忆），采用分层处理，辅助智能体吸收现实的层次化金融数据；以及 Decision-making（决策），将从记忆中获得的见解转化为投资决策。值得注意的是，FinMem 的记忆模块与人类交易员的认知结构紧密结合，提供了强大的可解释性和实时调整能力。其可调节的认知跨度允许保留超出人类感知极限的关键信息，从而提高交易结果。该框架使智能体能够自我演化专业知识，对新的投资线索做出敏捷反应，并在动荡的金融环境中持续优化交易决策。我们首先在可扩展的真实金融数据集上将 FinMem 与各种算法智能体进行了比较，突显了其在股票和基金交易中的领先表现。随后，我们微调了智能体的感知跨度，实现了显著的交易绩效。总的来说，FinMem 提供了一个用于自动交易的前沿 LLM 智能体框架，显著提升了累计投资回报。

仓库结构

finmem-docker
├── LICENSE
├── README.md
├── config  -> 程序配置文件
├── data  -> 数据文件
├── puppy  -> 源代码
├── run.py  -> 程序入口点，详情见下文
├── run_examples.sh  -> 构建 Docker 镜像并运行 Docker 容器的 Bash 指令

使用方法

为不同模型设置环境变量与配置

该模型可以运行在可通过 TGI 部署的 HuggingFace LLM 上，并具备充足的资源。