CatMemo at the FinLLM Challenge Task: Fine-Tuning Large Language Models using Data Fusion in Financial Applications

这篇论文介绍了我们在IJCAI-2024 FinLLM挑战赛中的解决方案，研究了在金融任务的三个关键领域中，即金融分类、金融文本摘要和单只股票交易中，LLMs的能力。我们采用了Llama3-8B和Mistral-7B作为基础模型，并通过参数高效微调（PEFT）和低秩适应（LoRA）方法进行了微调。为了提高模型性能，我们将任务1和任务2的数据集进行了数据融合。我们的方法旨在全面和综合地解决这些不同的任务，展示LLMs在提高准确性和决策能力方面处理各种复杂金融任务的能力。

本论文旨在通过采用大型语言模型（LLMs）来解决金融任务中的三个关键领域：金融分类、金融文本摘要和单只股票交易。

该论文采用了参数高效微调（PEFT）和低秩适应（LoRA）方法，结合任务1和任务2的数据集进行数据融合，以提高模型性能。

本论文的亮点在于综合且整合性地解决了金融任务中的多个领域，并展示了LLMs在提高准确性和决策能力方面的潜力。实验采用了Llama3-8B和Mistral-7B作为基础模型，并结合PEFT和LoRA方法进行微调。

近期在金融领域中的相关研究包括：1.《利用深度学习进行财务预测的比较研究》2.《基于金融文本数据的情感分析方法研究》3.《金融知识图谱构建与应用综述》