AlphaFin: Benchmarking Financial Analysis with Retrieval-Augmented Stock-Chain Framework

金融分析的任务主要包括两个关键领域：股票趋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趋势预测，取得了显著进展。然而，这些方法无法提供预测的原因，缺乏可解释性和推理过程。此外，它们无法整合文本信息，如金融新闻或报告。与此同时，大型语言模型（LLMs）具有出色的文本理解和生成能力。但由于金融训练数据集的稀缺性和与实时知识的有限整合，LLMs仍然存在幻觉问题，无法跟上最新信息。为了解决这些挑战，我们首先发布AlphaFin数据集，将传统研究数据集、实时金融数据和手写的思维链（CoT）数据相结合。它对于训练LLMs完成金融分析具有积极影响。然后，我们使用AlphaFin数据集来评估一种最先进的方法，称为Stock-Chain，以有效地应对金融分析任务，该方法集成了检索增强生成（RAG）技术。进行了大量实验，以证明我们的框架在金融分析方面的有效性。

本论文旨在解决金融分析中的股票趋势预测和相应问题回答的挑战，提出了一种基于检索增强生成技术的框架来综合利用机器学习和大型语言模型。

论文提出了AlphaFin数据集，结合传统研究数据集、实时金融数据和手写思维链数据，用于训练大型语言模型进行金融分析。同时，提出了一种名为Stock-Chain的方法，该方法能够有效地解决金融分析问题，并集成了检索增强生成技术。

论文的亮点包括AlphaFin数据集的发布、Stock-Chain方法的提出以及实验结果的展示。论文使用了多个数据集进行实验，并展示了Stock-Chain方法的有效性。此外，论文还提供了开源代码，为后续研究提供了便利。

在金融领域，最近的相关研究包括基于机器学习的股票预测、基于大型语言模型的金融问答等。其中，一些相关研究的论文标题包括：'A Deep Learning Framework for Financial Time Series Using Stacked Autoencoders and Long-short Term Memory'，'BERT for Question Answering on Financial Documents'等。