Designing Heterogeneous LLM Agents for Financial Sentiment Analysis

大型语言模型（LLMs）已经彻底改变了设计智能系统的可能方式，将重点从大规模数据获取和新建模型训练转向了人类对齐和战略性引发现有预训练模型的全部潜力。然而，由于金融情感分析（FSA）任务的判别性质和缺乏有关如何在这种情境下利用生成模型的规定性知识，这种范式转变在FSA领域尚未完全实现。本研究探讨了新范式的有效性，即在FSA中使用未经微调的LLMs。基于明斯基的心理和情感理论，提出了一个具有异构LLM代理的设计框架。该框架利用FSA错误类型的先前领域知识来实例化专门的代理，并对聚合的代理讨论进行推理。对FSA数据集的全面评估表明，该框架在讨论充分的情况下产生更好的准确性。本研究为设计基础奠定了基础，并为基于LLMs的FSA开辟了新的途径。此外，还讨论了对商业和管理的影响。

本文旨在探讨在金融情感分析中使用未进行微调的大型语言模型（LLMs）的有效性，并提出了一种基于异构LLM代理的设计框架。

本文提出的设计框架使用具有先前领域知识的专门代理，并在代理讨论的基础上进行推理，从而提高了FSA的准确性。

本文的实验结果表明，使用未进行微调的LLMs进行FSA可以获得更好的准确性，尤其是当讨论内容充分时。本文为LLMs在FSA中的应用提供了设计基础，并开辟了新的研究方向。

最近在这个领域中，还有一些相关的研究，例如：《基于深度学习的金融情感分析综述》、《使用深度学习进行金融情感分析的研究综述》等。